据我所知，当使用 SVM 时，它会尝试将其训练的内容与具有相似大小的所需目标的图像相匹配。
简单的例子来更好地解释自己：
如果 SVM 是针对看起来像 like this 的 iPod nano 图像进行训练的，那么当出现看起来像 like this 的图像时，它的性能就不会那么好了。
我发现，对于我的训练集，当它再次通过 SVM 作为测试集运行时，目标显示为 iPod 的训练图像（即更远）失败了尽管接受了这些图像的训练，但仍被识别为匹配项。
那么可以做些什么来解决这个问题呢？或者您是否必须简单地创建多个SVMs，并在不同距离处使用所需目标进行训练？
【问题讨论】：
标签： opencv machine-learning svm
首先，你的方法不好。 SVM 试图判断图像是否相同（如您所说，大小相同），所以如果您的图像在某个区域包含对象，则不是。因此，您需要检测图像中的对象，然后使用 SVM 对其进行分类。在您的第二张图片中，您的 iPod 太小了，而且它周围的信息太多。您需要一个检测器 (traincascade)。
或者您可以训练一个 BOW（请参阅this 以获得更好的理解），这将能够说明您的图像是否包含对象。或者尝试使用特征检测器、描述符提取器和匹配来寻找相同的对象（如here）。
【讨论】：
BoW 和feature detectors，但是目标是嘈杂的图像，因为iPod 在第二张图像中是我的问题。 traincascade 是我没有遇到过的，所以我一定会调查的。
Canny 来尝试对图像进行去噪，但我发现使用我的训练集，当它再次通过SVM 作为在测试集上，目标显示为 iPod 的训练图像（即更远）尽管在这些图像上进行了训练，但未能被识别为匹配。