我正在使用PCA和SVM进行人脸识别。在Matlab中使用libSVM来实现SVM。我试图实现一对所有分类。我有一个三重问题。
首先：如果类1中有10张图片（面孔1），那么类2应该有60张图片（每张面孔10张图片，共6个面孔）吗？
其次：准确率是否取决于我在两个类别中使用的图片数量？如果是，那么由于类二中有大量图片，准确率是否可能达到100%（不合理的高）？
第三：可以使用单张图片进行测试吗？
任何帮助将不胜感激。
回答：
你提出了三个问题：
(1) EDIT: 是的，正如你在评论中解释的那样。如果你有7个类别，你将训练7个分类器。对于每个分类器i，你将针对个体i的正类图片进行训练，而针对所有其他个体的图片作为负类进行训练。
你描述的是一对所有分类，这是一种常用的方法，用于通过基本的二元分类器（如SVM）进行多类分类。让我补充一点，还有其他方法可以将二元分类器扩展到多类分类，例如一对一和错误校正锦标赛。
EDIT #2:让我补充一点，一对一分类已经在LIBSVM中实现，你真的不需要做任何特殊操作。你所需要做的就是在训练数据中为每个类别添加不同的双精度数（所以你可以使用类0, 1, … 7）。
如果你真的想做一对所有（也称为一对其余），你也可以使用它。由于你似乎在使用MATLAB，有代码（它没有在LIBSVM中直接实现），但LIBSVM的作者提供了实现该功能的代码：直接链接到常见问题解答
(2) 准确率将取决于图片的数量。在理想情况下，你将有许多个体的图片用于训练。但你可能会遇到不平衡数据集的情况，例如，如果你用类x的一百万张图片和类y的仅2张图片以及类z的2张图片进行训练，你会遇到问题，因为你的分类器对类x的了解比另外两个类更详细。为了评估，你需要一个完整的混淆矩阵（即，类x的真实对象中有多少被分类为类y，以及类y的真实对象中有多少被分类为类x，等等，对于每一对类别都是如此）。
(3) 是的，可以。
EDIT #3:
从LIBSVM作者的评论来看，一对一的准确率与一对所有的准确率相似，区别在于训练一对一更快，这就是他们在系统中实现一对一的原因。
要使用LIBSVM训练多类模型，你将使用svmtrain并只调用一次。类1是个体1的图片，类2是个体2的图片，…类7是个体7的图片。
预测时，在训练你的模型后，你将使用svmpredict
