摘要： 1.OpenCV中的神经网络OpenCV中封装了类CvANN_MLP，因而神经网络利用很方便。 首先构建一个网络模型： CvANN_MLP ann; Mat structure(1,3,CV_32SC1); structure.at<uchar>(0) = 10;
1.OpenCV中的神经网络
OpenCV中封装了类CvANN_MLP，因而神经网络利用很方便。
首先构建一个网络模型：
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中表示每一层中神经元数目
ann.create(structure,CvANN_MLP::SIGMOID_SYM,1,1); // 很明显第二个参数选择的是激活函数的类型
然后需要对训练数据放在两个Mat结构中。第一个是存储训练数据的Mat train，第二个是存储类别的Mat label。其中，train的每一行代表一个训练样例，label的对应的一行是训练样例的类别。比如有25个属于7个类别的训练样例，每个样例为16维向量。则train结构为25*16，label结构为25*7。需要解释的是类别数据，label中一行表示样例所处类别，如果属于第一类则为（1,0,0,0,0,0,0）,第二类为（0,1,0,0,0,0,0）...
接下来需要给ann提供一个样例的权重向量Mat weight，它标记的是训练样例的权重，这里都初始化为1：
Mat weight;
weight.ones(1,25,CV_32FC1);
接下来可以做训练了：
ann.train(train,label,weight);
训练结束后用ann来做分类，输入为Mat testSample，testSample为1*16的向量，输出为Mat output，output为1*7向量：
ann.predict(testSample,output);
最后找到output中的最大值就知道所属类别maxPos了：
int maxPos;
double maxVal;
minMaxLoc(output,0,&maxVal,0,&maxPos);
2.神经网络的训练
int CvANN_MLP::train(constMat& inputs, constMat& outputs,
constMat& sampleWeights, constMat& sampleIdx=Mat(),
CvANN_MLP_TrainParams params=CvANN_MLP_TrainParams(), intflags=0 );
1) inputs：输入矩阵。它存储了所有训练样本的特征。假设所有样本总数为nSamples，而我们提取的特征维数为ndims，
则inputs是一个nSamples∗ndims的矩阵，每个样本的特征占一行。
2) outputs：输出矩阵。我们实际在训练中，我们知道每个样本所属的种类，假设一共有nClass类。那么我们将outputs设置为
一个nSample*nClass列的矩阵，每一行表示一个样本的预期输出结果，该样本所属的那类对应的列设置为1，其他都为0。
比如我们需要识别0-9这10个数字，则总的类数为10类，那么样本数字“3”的预期输出为[0,0,1,0,0,0,0,0,0,0];
3) sampleWeights：一个在使用RPROP方法训练时才需要的数据，所以这里我们不设置，直接设置为Mat()即可。
4) sampleIdx：相当于一个遮罩，它指定哪些行的数据参与训练。如果设置为Mat()，则所有行都参与。
5) params：这个在刚才已经说过了，是训练相关的参数。
3.神经网络的测试
float CvANN_MLP::predict(constMat&inputs,Mat&outputs)
图像进行特征提取，把它保存在inputs里，通过调用predict函数，我们得到一个输出向量，它是一个1*nClass的行向量，
其中每一列说明它与该类的相似程度（0-1之间），也可以说是置信度。我们只用对output求一个最大值，就可得到结果。
这个函数的返回值是一个无用的float值，可以忽略。
