0

我正在使用 C++ 和 OpenCV 3.0。

我有一个训练数据矩阵，其中包含我从一些图像（trainData）中提取的特征。这个矩阵的大小是 2750x1104，因为我有 2750 张图像（正面和负面），每张有 1104 个特征。我有其他带有标签的 2750x1 矩阵（trainLabels）。

  • trainData：2750 张图像 x 1104 个特征。
  • trainLabels : 2750 张图片 x 每列 1 个标签

有了这些信息，我想训练一个 SVM，并且我想评估使用 PCA（主成分分析）、LDA（线性判别分析）和两者组合的性能。我已经毫无问题地应用了 PCA，但是当我使用 LDA 时，我获得了SVM 不能用作输入的 2750x1（投影）矩阵。

我使用了这个链接，但他们不使用 SVM。

这是代码：

LDA lda(trainData, trainLabels, num_components);
Mat eigenvectors = lda.eigenvectors();
Mat projected = lda.project(trainData);

我选择num_components为 1，因为我有两个班级（人与无人）。

这些是我的结果：

  • 特征向量：1104 行 x 1 列
  • 预计：2750 行 x 1 列

据我所知，特征向量应该是 1104x1104 和投影2750x1104 所以可以使用矩阵来训练 SVM投影。

我不知道我的代码是否真的错了，也许我没有正确理解 LDA 的工作原理。如果是这样，你能给我一些建议吗？事实上，我可以用 LDA 训练 SVM 吗？

提前致谢。

4

0 回答 0