SVM能实现功能即在给出的正负样本中找到一条分割线（面），将正负样本分割出来。而这条分割线（面）即我们所说的分类器，其记录的正样本的特征，以及和负样本的区别。当有新的样本过来时，则通过和分类器比较即可分辨出新的样本是否属于正样本行列。
以车辆识别为例，SVM的一般使用步骤如下：
1、获取正负样本。
前面说了SVM能够找到一条存在与正负样本之间的分割线（面），那么何为正负样本呢？
所谓正样本，即你人为的判断出包含所需信息的样本。如下图，在图片中，看到了车子，然后用标记工具将其标记，获得标记信息的记录文件，如下图中的caltechVehicle106640.jpg.StringMark。当然这种信息记录文件有很多种，根据需要生成不同的标记文件。标记文件中一般含有框框的位置信息，大小信息，文件的名称等等。而我们所说的正样本即框住的这部分图片内容，在SVM学习的时候，会根据标记信息记录文件里的位置、大小等特征来获取框框中的内容。
所谓负样本，即在非正样本。例如上面左图中的图片，除了红色框框住的区域不能作为负样本，图片中的其他区域均可以作为负样本。但是负样本不可随意，要尽量符合分类的场景。在车辆识别中，负样本尽量选取公路中的场景。如果负样本过于随意，则会造成训练成本加大，训练结果不准确。
2、获取训练结果
在获得了正负样本后，机器如何得到样本的特征，并进行分辨？
在获取了正样本后，机器本身并不知道正样本中的东西有什么特征。虽然人为的告诉了机器，这个是车子的图片，但是机器怎样记住车子的特征？而且每张样本中的车子肯定长的是有差别的，那么算法在学习样本的过程中是采用什么特征来分辨车子呢？
在实际的运用过程中，这些特征有很多，许多图片的一般性特征都可以做为学习的依据。比如图像的灰度、梯度、直方图、hog特征、haar特征等。只要告诉机器采用哪种特征来学习，那么算法本身会先计算出样本的这种特征，然后学习每幅图片的此类特征，并记录。
因为前面已经人为的给出了正负样本，那么机器在比较了正负样本的特征后，会得到一个分类结果，为一个.xml文件。而这个分类结果就是我们一个能够进行分类的分类器了。
3、进行分类
获取分类结果后，就可以将结果用于给新的图片进行分类。分类的时候也要采取与训练时相同的特征进行。即假如训练时采用的是haar特征，那么在分类时也要先得到新图片的haar特征，将得到的haar特征与分类结果进行比较，从而判断是否是车辆。
下面给出基于opencv的分类代码：
#include "opencv2/objdetect/objdetect.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <opencv2/opencv.hpp>
#include <iostream>
#include <stdio.h>
using namespace std;
using namespace cv;
/** 函数声明 */
void detectAndDisplay(Mat frame);
/** 全局变量 */
string car_cascade_name = "put.xml"; //训练的结果文件
CascadeClassifier car_cascade;
string window_name = "Capture - car detection";
RNG rng(12345);
/** @主函数 */
int main(int argc, const char** argv)
{
Mat frame;
VideoCapture video;
VideoWriter markVideo; //用于存储识别车辆后的视频
// 加载级联分类器文件
if (!car_cascade.load(car_cascade_name)){ printf("--(!)Error loading\n"); return -1; };
//获取视频信息
double fourcc, fps, width, height;
video.open("25.avi");
fourcc = video.get(CV_CAP_PROP_FOURCC);
fps = video.get(CV_CAP_PROP_FPS);
width = video.get(CV_CAP_PROP_FRAME_WIDTH);
height = video.get(CV_CAP_PROP_FRAME_HEIGHT);
markVideo.open("markVideo25.avi", fourcc, fps, Size(width, height), false);
//新建一个视频，存储结果
if (video.isOpened() && markVideo.isOpened() )
{
while(true)
{
video >> frame;
resize(frame, frame, Size(280, 240)); //将图片缩小，加快检测速度
//对当前帧使用分类器进行检测
if (!frame.empty()){
detectAndDisplay(frame);
markVideo << frame;
}
else{printf(" --(!) No captured frame -- Break!"); break;}
if ((char)waitKey(1) == 'c') {
video.release();
markVideo.release();
break;
}
}
}
return 0;
}
/** @函数 detectAndDisplay */
void detectAndDisplay(Mat frame)
{
std::vector<Rect> faces;
Mat frame_gray;
cvtColor(frame, frame_gray, CV_BGR2GRAY);
equalizeHist(frame_gray, frame_gray); //直方图均衡化
//-- 多尺寸检测人脸
car_cascade.detectMultiScale(frame_gray, faces, 1.1, 3, 0 , Size(10,12),Size(100,120));
for (int i = 0; i < faces.size(); i++)
{
rectangle(frame, Point(faces[i].x, faces[i].y), Point(faces[i].x + faces[i].width, faces[i].y + faces[i].height), 0xff, 3); //画出识别后的框框
}
//-- 显示结果图像
imshow(window_name, frame);
}