libsvm .多类分类的训练数据格式

Question

我做了禁止交通标志在OpenCV的检测。现在，我想认出他们。例如，我需要区分速度限制20公里/小时和速度限制30公里/小时当我发现他们。

为了节省时间，我决定使用德国交通标志识别(GTSRB)基准的预先计算的特征进行分类训练。在GTSRB中有12种不同的禁止交通标志类，其余为类。对于每个训练图像，HOG、HAAR和Hue直方图特征被计算并存储在不同的文件夹中。我正在使用预先计算的HOG特征，它对每个训练图像的向量维数为1568。

对于LIBSVM格式的训练数据矩阵的编制有两种思路。我不确定应该使用哪种格式来进行多类分类。我已经编写了C++程序，将不同文件中的特性转换为LIBSVM格式。

问题1：下列哪一种方法是正确的识别禁止性交通标志？

问题2，：我需要实时地看到被识别的信号。然而，libsvm中的例子只显示了精度水平。libsvm是正确的选择，还是应该在运行我的交通标志检测程序时在OpenCV中创建培训数据矩阵？

IDEA 1:将+1标签分配给所有禁止类，-1分配给其他类

 +1 1:0.32 2:0.27 3: 0.01 ... 1568:0.04 //class 1 - speed limit 20
 .                                      //features of training images
 .                                      
 .                                     
 +1 1:0.44 2:0.12 3: 0.23 ... 1568:0.03 //class 2 - speed limit 30
 .                                      //features of training images
 .                       
 .               
 +1 1:0.32 2:0.27 3: 0.01 ... 1568:0.04 //class 12 - speed limit 80
 .                                      //features of training images
 . 
 .
 -1 1:0.32 2:0.27 3: 0.01 ... 1568:0.04 //other classes
 .                                     //features of training images
 . 
 .

理念2:为每个参展性类分配12个不同的标签，为所有其他类分配-1。。

 +1 1:0.32 2:0.27 3: 0.01 ... 1568:0.04 //class 1 - speed limit 20
 .                                      //features of training images
 .                                      
 .                                     
 +2 1:0.44 2:0.12 3: 0.23 ... 1568:0.03 //class 2 - speed limit 30
 .                                      //features of training images
 .                       
 .               
 +12 1:0.32 2:0.27 3: 0.01 ... 1568:0.04 //class 12 - speed limit 80
 .                                       //features of training images
 . 
 .
 -1  1:0.65 2:0.72 3: 0.12 ... 1568:0.12 //all other classes 
 .                                       //features of training images
 . 
 .

提前谢谢你，

Answer 1

如果Q1有效的话，您应该更喜欢主意1。原因是它所涉及的培训要少得多。如果有N类，对于多类分类，LIBSVM内部训练N(N1)/2分类器。

因此，如果N=2 (idea 1) LIBSVM训练一个分类器。但如果N=13 (idea 2)，LIBSVM会训练出78个分类器。这并不意味着它会慢78倍，尽管，它变得复杂。

Q2不能回答这个问题，因为它取决于您没有提到的内容，而且这在某种程度上是一个意见问题。