我使用svm进行人类行为识别。我用＆＃34; kth＆＃34;数据库中有25个人在4种不同的场景中进行6种不同的动作（步行，慢跑，跑步，拳击，手握和手持）。所以我有600个数据样本（运动历史图像）（每个动作100个样本）。
我为6个动作训练了6个不同的1-vs-all svm，例如：
- 用于训练我使用的跑步课程：
- 来自运行样本的80个样本;
- 来自其他班级的500个样本;
所以我保存了20个样本来测试分类。 但是我的成绩非常好，这让我确信我在测试中犯了一个错误（90％的成功，而其他论文的最佳镜头有63.5％）。
我应该怎么做才能测试svm分类器？
其他信息：
每个视频： 30秒，20 fps，每帧大小160 * 120
算法：
1）从所有视频中提取MHI特征（25个人，4个场景，6个动作，每个30秒），以便收集360000个样本。
2）选择600个样本（每个视频1个）
3）重塑所有样本（1 * 19200）
培训 每个班级做4到6次
4）80个样本为+1级
5）500个样本为-1级
6）用每个类的libsvm计算“w”和“偏差”
测试： 现在我们每6个班级有1个“w”和“偏见”。
7）使用未经训练的MHI功能作为输入
8）计算每个班级的“W *输入+偏差”
9）获胜者类是签名（W *输入+偏见）> 0
的类答案 0 :(得分：0)
我看到很多问题。我还建议你参加机器学习课程，或者阅读一本书来更好地理解概念。
为什么使用600个功能，如果有不同的场景，则不能为不同的场景包含不同的功能。您的特征向量应该能够应对所有场景中的变化。
在对操作进行分类时，是否会连接不同人员的功能？如果是这样，那也是错误的。想象一下，我给你一个样本，其中有一个动作，一个场景由一个人完成。您将如何在测试时对此进行分类？
您说在分类“正在运行”操作时，您使用了运行类的80个功能。那么，你会在拳击比赛时使用80个拳击功能和500个其他功能吗？如果是这样，这也是错误的。对样本进行分类时，您不知道它的类。在进行特征提取时，应该以相同的方式处理所有类。
你说，“所以我保存了20个用于测试分类的功能”。如果你通过这样做获得了良好的表现，那么这既错又怪。如果您已经使用80个功能（或580）训练了分类器，那么您应该使用相同数量的功能进行测试。我不确定SVM如何不产生错误。权重向量为580-D，您测试的特征向量为20-D，显然w^T*x应该给出尺寸不匹配误差。
你应该做什么？
导出一个解释所有场景变化的功能。例如，如果您想要检测人类，则不希望将“颜色”包含为特征，因为每个人的衣服都是不同的颜色。所以这是一个糟糕的功能。您也无法连接所有操作的功能。我的意思是：你不能设计一个不同的特征提取方法来运行，装箱等。你怎么知道测试样本的类？你不会，因此你不能应用特定于动作的特征提取方法。例如，您无法检测描述腿部运动的提取特征以进行分类运行，并提取描述拳击手部动作的特征。那是错的。
在SVM分类器的情况下，训练和测试时的功能数量应相同。
您不能训练6种不同的分类器（在不同的火车组上），然后在测试期间只使用其中一种。例如，你不能训练分类器运行与拳击，然后使用它来分类运行。关于如何进行多类分类，有特定的协议。其中两个是“一对一”和“一对一”。读它们。如果您不想实现它们，可以使用libsvm包。
经验法则：无论何时开发特征提取方法，请考虑，如果只提供一个样本，则可以应用此方法。请记住，您不能使用训练集。假设它在您的计算机上不存在。