abstrait： 1.OpenCV中的神經(jīng)網(wǎng)絡OpenCV中封裝了類CvANN_MLP，因而神經(jīng)網(wǎng)絡利用很方便。 首先構建一個網(wǎng)絡模型：    CvANN_MLP ann;    Mat structure(1,3,CV_32SC1);    structure.at<uchar>(0) = 10;   

 1.OpenCV中的神經(jīng)網(wǎng)絡

OpenCV中封裝了類CvANN_MLP，因而神經(jīng)網(wǎng)絡利用很方便。

首先構建一個網(wǎng)絡模型：

    CvANN_MLP ann;

    Mat structure(1,3,CV_32SC1);

    structure.at<uchar>(0) = 10;

    structure.at<uchar>(0) = 4;

    structure.at<uchar>(0) = 2;  // structure中表示每一層中神經(jīng)元數(shù)目

    ann.create(structure,CvANN_MLP::SIGMOID_SYM,1,1);  // 很明顯第二個參數(shù)選擇的是激活函數(shù)的類型

然后需要對訓練數(shù)據(jù)放在兩個Mat結構中。第一個是存儲訓練數(shù)據(jù)的Mat train，第二個是存儲類別的Mat label。其中，train的每一行代表一個訓練樣例，label的對應的一行是訓練樣例的類別。比如有25個屬于7個類別的訓練樣例，每個樣例為16維向量。則train結構為25*16，label結構為25*7。需要解釋的是類別數(shù)據(jù)，label中一行表示樣例所處類別，如果屬于第一類則為（1,0,0,0,0,0,0）,第二類為（0,1,0,0,0,0,0）...

接下來需要給ann提供一個樣例的權重向量Mat weight，它標記的是訓練樣例的權重，這里都初始化為1：

Mat weight;

 weight.ones(1,25,CV_32FC1);

接下來可以做訓練了：

ann.train(train,label,weight);

訓練結束后用ann來做分類，輸入為Mat testSample，testSample為1*16的向量，輸出為Mat output，output為1*7向量：

ann.predict(testSample,output);

最后找到output中的最大值就知道所屬類別maxPos了：

int maxPos;

double maxVal;

minMaxLoc(output,0,&maxVal,0,&maxPos);

2.神經(jīng)網(wǎng)絡的訓練

int CvANN_MLP::train(constMat& inputs, constMat& outputs, 

constMat& sampleWeights, constMat& sampleIdx=Mat(), 

CvANN_MLP_TrainParams params=CvANN_MLP_TrainParams(), intflags=0 );

1) inputs：輸入矩陣。它存儲了所有訓練樣本的特征。假設所有樣本總數(shù)為nSamples，而我們提取的特征維數(shù)為ndims，

則inputs是一個nSamples?ndims的矩陣，每個樣本的特征占一行。

2) outputs：輸出矩陣。我們實際在訓練中，我們知道每個樣本所屬的種類，假設一共有nClass類。那么我們將outputs設置為

一個nSample*nClass列的矩陣，每一行表示一個樣本的預期輸出結果，該樣本所屬的那類對應的列設置為1，其他都為0。

比如我們需要識別0-9這10個數(shù)字，則總的類數(shù)為10類，那么樣本數(shù)字“3”的預期輸出為[0,0,1,0,0,0,0,0,0,0];

3) sampleWeights：一個在使用RPROP方法訓練時才需要的數(shù)據(jù)，所以這里我們不設置，直接設置為Mat()即可。

4) sampleIdx：相當于一個遮罩，它指定哪些行的數(shù)據(jù)參與訓練。如果設置為Mat()，則所有行都參與。

5) params：這個在剛才已經(jīng)說過了，是訓練相關的參數(shù)。

3.神經(jīng)網(wǎng)絡的測試

float CvANN_MLP::predict(constMat&inputs,Mat&outputs)

圖像進行特征提取，把它保存在inputs里，通過調(diào)用predict函數(shù)，我們得到一個輸出向量，它是一個1*nClass的行向量，

其中每一列說明它與該類的相似程度（0-1之間），也可以說是置信度。我們只用對output求一個最大值，就可得到結果。

這個函數(shù)的返回值是一個無用的float值，可以忽略。