我正在使用PCA和SVM进行人脸识别。在matlab中使用libSVM进行SVM实现。我正在尝试实施一个与所有分类。我有三个问题。
第一： 我在第1类（面部1）中有10个图像，然后第2类应该有60个图像（6个面部各有10个图像）？
第二： 准确度是否取决于我在两个班级中拍摄的图像数量？如果是，那么 由于第二类中的大量图像，精度可以达到100％（不合理的高）吗？
第三： 可以使用单个图像进行测试吗？
任何帮助都将深受赞赏。
答案 0 :(得分：1)
你问三个问题：
（1）编辑：是的，正如您在评论中所解释的那样。如果你有7个班级，你将训练7个分类。对于每个分类器，您将训练个体i的正面图像，以及所有其他个体的负面图像。
您所描述的内容称为一对一分类，它是使用基本二进制分类器（例如SVM）进行多类分类的常用方法。我还要补充说，还有其他方法可以将二进制分类器扩展到多类分类，例如一对一和纠错锦标赛。
编辑＃2： 让我补充一点，在LIBSVM中已经实现了一对一的分类，你真的不需要做任何特别的事情。您需要做的就是为训练数据中的每个类添加不同的双精度数（因此您可以使用0,1，... 7类）。
如果你真的想做一个对所有人（也称为一对比其他人），你也可以使用它。由于您似乎正在使用MATLAB，因此存在代码（它不直接在LIBSVM中实现），但LIBSVM的作者提供了实现该代码的代码：direct link to FAQs
（2）准确度取决于图像的数量。在理想的条件下，您将拥有许多所有人的图像。但是你可以进入诸如不平衡数据集之类的情况，例如，如果你训练了一百万个x类图像，只有2个y类图像和2个z类图像，你会遇到问题因为你的分类器得到了类x的详细视图比其他两个类更详细。为了评估你将需要一个完整的混淆矩阵（即x类的实际对象有多少是y类的分类器，有多少y类的真实对象被分类为x类，依此类推每对类。）
（3）是的，它可以。
编辑＃3：
从LIBSVM的作者的评论来看，似乎一对一的准确性与一对一的准确性相似，不同之处在于训练一对一的速度更快，这就是他们在系统中实现一对一的原因。
要使用LIBSVM训练多类模型，您将使用svmtrain并仅调用一次。 1类是个体1的图像，2类是个体2的图像，... 7类是个体7的图像。
预测，在训练模型后，您将使用svmpredict