（1）：滑動視窗：
滑動視窗顧名思義：用乙個一直滑動的視窗（要比影象小），去檢查影象。
舉例：在人臉識別中，有detectmultiscale（）函式，第乙個引數是影象，第二個便是滑動視窗的滑動比例：列入1.1就代表滑動從左到右滑動了%110個的單位。
非最大值抑制：
舉例：假如影象中有一張人臉，那麼你想：當這個會滑動的視窗從左到右一點點的經過人臉的時候，不就會得到一系列有同一張人臉的視窗嗎（每次人臉在視窗的位置不同），那麼將如何得到人臉在中心的那張呢？這時我們就要用到菲最大值抑制了，我們給這一系列具有相同人臉的視窗都定義同乙個「評分」標準（具體評分標準我也不清楚，這篇文章就大概講述乙個幾個專業術語的大意），其中對評分不是最大值的視窗進行抑制，那麼評分為最大值（最完美的具有人臉的視窗）的那張便保留了下來。
（2）：支援向量機（svm）：
支援向量機其實就是一種演算法，它將影象的各個特徵用向量的形式儲存起來，並可以用超平面把影象的不同特徵進行分割（注釋1：超平面），實現這個作用有很多演算法，這裡我們只解釋它的具體大意。
注釋1：超平面：假如有乙個籃球和乙個排球併排正對的影象（二維空間），那麼就會用乙個二維平面（直線）把籃球與排球進行分割。那麼在三維空間中呢？
就會用乙個三維平面（即是平面）把其分割，在大於三維的呢？我們便同意統稱為超平面。
支援向量機（SVM）
簡介 術語 支援向量機 svm 是乙個類分類器，正式的定義是乙個能夠將不同類樣本在樣本空間分隔的超平面。換句話說，給定一些標記 label 好的訓練樣本 監督式學習 svm演算法輸出乙個最優化的分隔超平面。首先我們假定有乙個未知的欲分類的集合，可以進行分割，但是我們不知道分割的函式 超平面，也叫真實...
支援向量機SVM
支援向量機svm support vector machine 是機器學習領域的乙個有監督的學習模型。一 簡介 支援向量機建立在統計學習理論的基礎之上。統計學習理論 statistical learning theory簡稱slt 是一種處理小樣本的統計理論 為研究有限樣本情況下的統計模式識別和更廣...
SVM支援向量機
在機器學習領域，很多時候會用到分類的一些演算法，例如knn，貝葉斯。我們可以把分類的樣本簡單除暴的分為兩種型別。線性可分和非線性可分。可以使用乙個非常簡單的例子來解釋什麼是線性可分，什麼是線性不可分。a 線性可分的2類樣本 b 非線性可分的2類樣 已知乙個線性可分的資料集,其中x表示乙個n維向量，當...