本文共 1916 字，大约阅读时间需要 6 分钟。

本人正在学习OpenCV中的机器学习模块，在网上查阅了大量资料后，选择了较为简单的入门实例，便于理解机器学习模型训练和用训练好的模型进行预测的实现过程。实例是通过身高和体重来预测人的性别，利用OpenCV中的bp神经网络来实现。代码整理如下：

#include 
   
      #include 
    
       #include 
     
        #include 
      
          using namespace std;using namespace cv;int main(){	/*定义神经网络及参数*/	CvANN_MLP bp; //bp网络	CvANN_MLP_TrainParams params; //bp网络参数	params.train_method = CvANN_MLP_TrainParams::BACKPROP;//使用简单的BP算法，还可使用RPROP	/*BACKPROP表示使用back-propagation的训练方法，使用BACKPROP有两个相关参数：bp_dw-scale,bp_moment_scale	  RPROP即最简单的propagation训练方法,使用PRPOP有四个相关参数：rp_dw0,rp-dw_plus,rp_dw_minus,rp_dw_min,rp_dw_max	*/	params.bp_dw_scale = 0.1;	params.bp_moment_scale = 0.1;	/*设置网络层数，训练数据*/	//建立一个标签矩阵	float labels[4][2] = { { 0, 0 }, { 0, 0 }, { 1, 1 }, { 1, 1 } }; //标签数据，前两个表示男生，后两个表示女生	Mat labelsMat(4, 2, CV_32FC1, labels);	//建立一个训练样本矩阵	float trainingData[4][2] = { { 186, 80 }, { 185, 81 }, { 160, 50 }, { 161, 48 } }; //训练数据，两个维度，表示身高和体重	Mat trainingDataMat(4, 2, CV_32FC1, trainingData);	Mat layerSizes = (Mat_
       
        (1, 4) << 2, 2, 2, 2);//含有两个隐含层的网络结构，输入、输出层各两个节点，每个隐含层含两个节点	/*layerSizes设置了有两个隐含层的网络结构：输入层，两个隐含层，输出层。输入层和输出层节点数均为2，中间隐含层每层有两个节点	  create第二个参数可以设置每个神经节点的激活函数，默认为CvANN_MLP::SIGMOID_SYM	*/	bp.create(layerSizes, CvANN_MLP::SIGMOID_SYM);//激活函数为SIGMOID函数，还可使用高斯函数(CvANN_MLP::GAUSSIAN)，阶跃函数(CvANN_MLP::IDENTITY)  	bp.train(trainingDataMat, labelsMat, Mat(), Mat(), params);//训练的接口train()	//bp.save("bp.xml");//存储模型	//bp.load("bp.xml");//读取模型	/*使用训练好的网络结构分类新的数据*/	//测试数据（184，79）存储为1行2列的float类型的Mat中	Mat sampleMat = (Mat_
        
         (1, 2) << 184, 79); //测试数据，为一男生 Mat responseMat; bp.predict(sampleMat, responseMat);//预测接口predict() Point maxLoc; //minMaxLoc在矩阵中需找全局的最大最小数 minMaxLoc(responseMat, NULL, NULL, NULL, &maxLoc); //response为1行（1个测试数据），2列（共两种类别），每列表示该数据与该类相似的可能性，这里取最大的一类 if (maxLoc.x == 0) cout << "Boy" << endl; if (maxLoc.x == 1) cout << "Girl" << endl; return 0;}
        
       
      
     
    
   

运行结果如下：