支持向量机（SVM）是通常由超平面定义的区别式分类器。也就是说，给定标记的训练数据（监督式学习），SVM 算法输出一个能够分类新样本的超平面。其核心的思想是找到给出的最大极小距离（margin）的超平面去训练样本。
我上机器学习课的时候学到过，了解一点，但是理解的不是很深入。这里偏向应用，所以公式之类的就不赘述了。直接看 OpenCV 的代码吧。
找资料的过程发现我用的是 OpenCV 3.0 的版本，但是网上的资料大多是 2.0 的版本，就很伤……
整个过程分为训练和利用训练好的模型进行分类这两个部分。
训练模型
训练模型的步骤及用到的主要函数如下：
（1）设置训练数据
在训练时，需要把训练数据存储为Mat类的float类型，示例代码如下：
// training data
int labels[4] = { 1, -1, -1, -1 };
float trainingData[4][2] = { {501, 10}, {255, 10}, {501, 255}, {10, 501} };
cv::Mat trainingDataMat(4, 2, CV_32FC1, trainingData);
cv::Mat labelsMat(4, 1, CV_32SC1, labels);
（2）设置 SVM 的参数
在 OpenCV 2.0 版本中，SVM 的参数存储在 CvSVMParams 类中，然后使用 CvSVM 类进行训练。
然而，在OpenCV 3.0 中，要直接对 SMV 设置参数。示例代码如下：
// initial SVM
cv::Ptr<cv::ml::SVM> svm = cv::ml::SVM::create();
svm->setType(cv::ml::SVM::Types::C_SVC);
svm->setKernel(cv::ml::SVM::KernelTypes::LINEAR);
svm->setTermCriteria(cv::TermCriteria(cv::TermCriteria::MAX_ITER, 100, 1e-6));
（3）训练 SVM 分类器
训练的过程就只有一句代码了：
// train operation
svm->train(trainingDataMat, cv::ml::SampleTypes::ROW_SAMPLE, labelsMat);
（4）储存 SVM 分类器
训练好 SVM 分类器后需要将它储存起来，在后续的代码中就可以利用它进行分类了。储存的代码也很简单：
// save svm
svm->save("mysvm.xml");
实现分类
（1）加载 SVM 分类器
把储存好的分类器加载出来。
Ptr<SVM> mysvm = StatModel::load<SVM>("mysvm.xml");
（2）预测分类结果
使用 predict 函数预测分类结果，函数原型如下。输入数据，返回预测结果。
CV_WRAP virtual float predict( InputArray samples,
OutputArray results=noArray(), int flags=0 ) const = 0;
总结
以上就是 OpenCV 中 SVM 分类器的使用方法，我只是把最基本的步骤和所致用的函数列了出来。可以看出使用 OpenCV 库函数来实现 SVM 分类器还是很简单的，不需要理解SVM的具体原理。
网上写 SVM 分类器的代码都很复杂，因为准备数据等等都是一个大工程，在我们使用的时候要根据具体情况自己写。不过最核心的部分就是以上啦！
参考：
http://www.coin163.com/it/2260012286132365332/svm-opencv
https://blog.csdn.net/chaipp0607/article/details/68067098
https://blog.csdn.net/xuan_zizizi/article/details/71102018
