该项目完整代码在 https://github.com/hithejunwei/-Opencv-
首先我了解了LBP二值化方法，可以用来处理曝光度较高的图片。
在应用SVM进行图片分类的时候遇到的问题是识别率非常低，不知道是哪里出了问题。经过两天的查找资料和详细了解SVM原理，发现问题是因为文件路径包含中文，因此SVM算法不能正常应用从而导致低识别率。调好之后SVM识别率较高，达到了0.99
.
但是看每类图像的分类结果的话，发现第7类和17类图像分类结果较差，其他类的准确率基本都为100%
（第七类）
（第17类）
将这个模型应用于另外四张图片，识别率仍为100%
.
之后我试验了高斯滤波，均值滤波等数据处理方法，效果都不错。然后我了解了SMOTE算法的效果和思想，就是一种运用于数据不均衡时的过采样方法，可能比简单过采样和欠采样效果要好得多。不过我目前遇到的问题是图像用SMOTE处理之后得到的新的图像无法用相关图像软件查看，而是显示内容过大或已损坏。
在这个过程中，我多次见到直方图这个概念，一开始我以为只是一维向量的形象说法，后来发现其实是图像特征的一种统计方法，比如灰度直方图统计的是每个像素的数量分布，HOG是方向梯度直方图。后者和SVM结合好像能达到强力效果（如行人检测，有待后面验证）。在学习HOG概念之后，我对前面LBP又进行了回顾，可以说这两个是很相似的，LBP是检测边缘（纹理），而HOG是检验梯度。
之后我接触了k折交叉验证的概念，在接触这个概念之前首先要弄明白训练集测试集验证集的区别，训练集用于训练模型参数，测试集用于估计模型对样本的泛化误差，验证集用于“训练”模型的超参数。就比如训练集是平时各种大考小考，验证集是考前看考场，调整各种不能由训练提升的条件如宾馆位置（超参数），测试集是最后的高考，用于验证训练成果。我们不能由训练集选择超参数，因为这样没有意义，只有在非训练集上进行超参数调整才有意义。k折交叉验证在数据量较小时意义很大，不过耗时较长，如果我们比赛不限时的话那大可采用该方法调参。
当然，我们构建的模型基本都要调参，我学习了自动调参工具网格搜索，在sklearn里面已经被封装好了，甚至能和交叉验证一起用一行代码实现，只要在网格搜索函数初始化时设定fold数就行了。当然参数范围还是需要手动设定。
最后得到的最优参数范围是：
