opencv的CvSVM的實現基於libsvm，libsvm是臺灣大學林智仁(Lin Chih-Jen)教授寫的一個世界知名的svm庫(可能算是目前業界使用率最高的一個庫)。svm的perdict方法的輸入是待預測資料的特徵，也稱之為features。在這裡，我們輸入的特徵是影象全部的畫素。由於svm要求輸入的特徵應該是一個向量，而Mat是與影象寬高對應的矩陣，因此在輸入前我們需要使用reshape(1,1)方法把矩陣拉伸成向量。

    在訓練之前要先將待訓練的樣例分類，一類是車牌影象，一類是非車牌圖片，可稱為正樣例和反樣例，分類過程需要很多時間來做。分類好後，就可以把正樣例和反樣例存入程式中，並做好預處理，具體程式碼如下：

<span style="background-color: rgb(240, 240, 240);">//先定義兩個全域性變數</span>

vector<Mat> trainingImages;
vector<int> trainingLabels;

//--------------檔案讀取--------------------
void file_open(string filedir,int flag)
{
	long lf;
	vector<string> files;
	_finddata_t file;
	string path;
	if ((lf = _findfirst(path.assign(filedir).append("\\*").c_str(), &file)) == -1)
	{
		cout << "File Not Found!" << endl;
	}
	else
	{
		while (_findnext(lf, &file) == 0)  //迴圈處理資料夾中所有檔案，但這裡並沒有對子資料夾進行檢查
		{
			if (strcmp(file.name, "..") == 0) continue; //去掉第一個無用檔名".."
			files.push_back(path.assign(filedir).append("\\").append(file.name));  //檔案路徑+檔名儲存到files中
			//cout << file.name << endl;
		}
	}
	_findclose(lf); //關閉檔案查詢
	cout << "the number of file is :" << files.size() << endl;
	int size = files.size();
	if (0 == size)
		cout << "No File Found in train HasPlate!" << endl;
	for (int i = 0; i <files.size(); i++)  // 
	{
		
		Mat img = imread(files[i].c_str());
		//imshow("adad", img);
		Mat line_i = img.reshape(1, 1); //將待訓練圖片一維化（如果是提取圖片特徵進行學習，也需要將特徵進行一維化才能用SVM學習）
		trainingImages.push_back(line_i);   //將一維化的img儲存
		trainingLabels.push_back(flag);    //對應的類別標識
	}
}
 

這裡flag引數是傳遞過來對應訓練圖片的標識，如果為1則是正樣例，如果為0則為反樣例，在學習時最好將正例和反例分別放在不到資料夾下，且影象尺寸一致。

其實這裡是將影象的所有畫素都做為特徵進行訓練，效果不是很好，實驗結果大概只有80%多的正確率，應該找到更好的特徵進行訓練。

影象讀取好後，在主函式中進行呼叫，程式碼如下：

Mat classes;//儲存所有正負樣例類標
	
	char * filedir = "E:\\data\\plate_detect_svm\\learn\\HasPlate";//正樣例的路徑
	file_open(filedir, 1);  //正樣例檔案讀取
	filedir = "E:\\data\\plate_detect_svm\\learn\\NoPlate";//負樣例路徑
	file_open(filedir, 0);//負樣例檔案讀取
	cout << trainingImages[0].cols << "number"<<trainingImages.size()<< endl;
	Mat trainingData(trainingImages.size(), trainingImages[0].cols, CV_32FC1);//用來儲存所有的正負樣例圖片或特徵
	for (int i = 0; i<trainingImages.size(); i++)//將每個一維的訓練影象儲存至trainingData中
	{
		Mat temp(trainingImages[i]);
		temp.copyTo(trainingData.row(i));//存至trainingData的第i行上
	}
	//trainingData.convertTo(trainingData, CV_32FC1); 
	Mat(trainingLabels).copyTo(classes);
	classes.convertTo(classes, CV_32FC1);<span style="font-family: Arial, Helvetica, sans-serif;">//轉成SVM要求的格式</span>
 

//SVM引數設定，這裡的引數很多，設定的好壞直接影響學習的結果
	CvSVMParams SVM_params;
	SVM_params.svm_type = CvSVM::C_SVC;
	SVM_params.kernel_type = CvSVM::LINEAR; //CvSVM::LINEAR;
	SVM_params.degree = 0;
	SVM_params.gamma = 1;
	SVM_params.coef0 = 0;
	SVM_params.C = 1;
	SVM_params.nu = 0;
	SVM_params.p = 0;
	SVM_params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 1000, 0.01);
	//開始訓練（學習）
	CvSVM svm(trainingData, classes, Mat(), Mat(), SVM_params);
	//儲存訓練模型
	FileStorage fsTo("E:/data/svm_plate.xml", FileStorage::WRITE);
	svm.write(*fsTo, "svm");

void test()
{
	CvSVM svm ;
	svm.clear();
	svm.load("E:\\data\\svm_plate.xml");
	Mat test_img = imread("E:\\data\\plate_detect_svm\\test\\HasPlate\\A03_AAQ839_3.jpg");
	Mat line_test_img = test_img.reshape(1, 1);
	line_test_img.convertTo(line_test_img, CV_32FC1);
	int response = (int)svm.predict(line_test_img);
	if (response == 1)
		cout << "是車牌" << endl;
	else
		cout << "不是車牌" << endl;
		
}