OpenCV的ml模組實現了很多演算法，包括樸素貝葉斯、K近鄰、SVM、決策樹、Boosting、GBT、隨機森林、神經網路等。其大多繼承自同一基類，訓練和預測的介面都是train(),predict()，使用較為方便。

神經網路：

opencv實現人工神經網路（Artificial Neural Networks）最典型的多層感知器（multi-layer perceptrons, MLP）模型，CvANN_MLP。

opencv文件中關於神經網路及其API的介紹：Neural Networks

#include <opencv2/core/core.hpp>  
#include <opencv2/highgui/highgui.hpp>  
#include <opencv2/ml/ml.hpp>  
#include <iostream>   

using namespace std;
using namespace cv;

int main()
{
	CvANN_MLP bp; //bp網路
	CvANN_MLP_TrainParams params; //bp網路引數
	params.train_method = CvANN_MLP_TrainParams::BACKPROP;//使用簡單的BP演算法，還可使用RPROP
	params.bp_dw_scale = 0.1;
	params.bp_moment_scale = 0.1;

	float labels[4][2] = { { 0,0 },{ 0,0 },{ 1,1 },{ 1,1 } }; //訓練標籤資料，前兩個表示男生，後兩個表示女生
	Mat labelsMat(4, 2, CV_32FC1, labels);

	float trainingData[4][2] = { {186,80},{185,81},{160,50},{161,48} }; //訓練資料，兩個維度，表示身高和體重
	Mat trainingDataMat(4, 2, CV_32FC1, trainingData);

	Mat layerSizes = (Mat_<int>(1, 4) << 2, 2, 2, 2);//含有兩個隱含層的網路結構，輸入、輸出層各兩個節點，每個隱含層含兩個節點
	bp.create(layerSizes, CvANN_MLP::SIGMOID_SYM);//啟用函式為SIGMOID函式，還可使用高斯函式(CvANN_MLP::GAUSSIAN)，階躍函式(CvANN_MLP::IDENTITY)  
	bp.train(trainingDataMat, labelsMat, Mat(), Mat(), params);

	//bp.save("bp.xml");//儲存模型
	//bp.load("bp.xml");//讀取模型

	Mat sampleMat = (Mat_<float>(1, 2) << 184, 79); //測試資料，為一男生
	Mat responseMat;
	bp.predict(sampleMat, responseMat);
	Point maxLoc;
	minMaxLoc(responseMat, NULL, NULL, NULL, &maxLoc); //response為1行（1個測試資料），2列（共兩種類別），每列表示該資料與該類相似的可能性，這裡取最大的一類
	if (maxLoc.x == 0)
		cout << "Boy" << endl;
	if (maxLoc.x == 1)
		cout << "Girl" << endl;
	return 0;
}
 

參考：

支援向量機（SVM）：

OpenCV2：

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
	float labels[4] = { 0, 0, 1, 1 }; //訓練標籤資料，前兩個表示男生，後兩個表示女生
	Mat labelsMat(3, 1, CV_32FC1, labels);

	float trainingData[4][2] = { { 186,80 },{ 185,81 },{ 160,50 },{ 161,48 } }; //訓練資料，兩個維度，表示身高和體重  
	Mat trainingDataMat(3, 2, CV_32FC1, trainingData);

	
	CvSVMParams params; //SVM引數
	params.svm_type = CvSVM::C_SVC;  //SVM型別. 這裡用C_SVC
	params.kernel_type = CvSVM::LINEAR; //SVM 核型別
	params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6); //終止條件，最大迭代次數和容許誤差

	
	CvSVM SVM;
	SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);//訓練

	Mat sampleMat = (Mat_<float>(1, 2) << 184, 79); //測試資料，為一男生
	float response = SVM.predict(sampleMat);

	if (response == 0)
		cout << "Boy" << endl;
	else if (response == 1)
		cout << "Girl" << endl;

	return 0;
}
 

OpenCV3中的SVM：

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
#include <iostream>

using namespace cv;
using namespace cv::ml;
using namespace std;

int main()
{
    float labels[4] = { 0, 0, 1, 1 }; //訓練標籤資料
    Mat labels_train(4, 1, CV_32F, labels);

    float trainingData[4][2] = { { 186,80 },{ 185,81 },{ 160,50 },{ 161,48 } }; //訓練資料，兩個維度
    Mat data_train(4, 2, CV_32F, trainingData);


    Ptr<SVM> svm = SVM::create();
    svm->setKernel(cv::ml::SVM::KernelTypes::LINEAR);
    svm->setType(cv::ml::SVM::Types::C_SVC);
    svm->setTermCriteria(TermCriteria( TermCriteria::MAX_ITER + TermCriteria::EPS, 1000, FLT_EPSILON ));

    svm->train(data_train, ROW_SAMPLE, labels_train);
    //svm->save("SVMmodel"); //儲存模型
    //Ptr<SVM> svm = StatModel::load<SVM>("SVMmodel"); //讀取模型

    Mat testData(1,2,CV_32F);//測試資料
    Mat responses; //預測結果
    testData.at<float>(0,0) = 184;
    testData.at<float>(0,1) = 79;
    svm->predict(testData, responses);
    responses.convertTo(responses,CV_32S);

    if (response.at<int>(0,0) == 0)
        cout << "Boy" << endl;
    else if (response.at<int>(0,0) == 1)
        cout << "Girl" << endl;

    return 0;
}