SVM是一个监督分类器。要使用它，您需要具有与您试图识别的对象类型相同的训练数据。

步骤1-准备培训数据

训练数据由成对的特征向量及其相应的类标签组成。在您的情况下，您似乎已经为检测到的字符提取了基于SIFT的"单词袋"（BOW）特征向量。因此，对于你的训练数据，你需要找到许多不同字符的例子，为每个字符提取这个特征向量，并将它们与一个标签（有时称为类标签，通常是一个整数）相关联，你可能会将其映射到文本描述（例如，数字0可以映射到字符"a"，依此类推。）

步骤2-训练分类器

SVM分类器将特征向量的阵列/Mat（每行一个）及其相关标签作为输入。在单独的验证集上调整SVM的参数（即，正则化参数C，以及如果适用的话，内核的任何其他参数）。

步骤3-预测看不见的数据

在测试时，给定SVM在训练过程中看到的而非的样本，您计算样本的特征向量（基于SIFT的BOW向量）。将这个特征向量传递给SVM的预测函数，它将返回一个整数。还记得之前在准备训练数据时，您将一个整数与每个标签关联起来吗？这是SVM为该样本预测的标签。然后可以将此标签映射到角色。例如，如果您将0与"a"、1与"b"等关联，则可以使用向量/哈希映射将整数映射到其文本对应项。

其他注意事项

您可以在这里查看OpenCV的SVM教程以了解详细信息。

注意：通常，对于初学者来说，最困难的部分（在获得数据之后）是调整分类器。我的建议是首先尝试一个简单的分类器（例如，线性SVM），它几乎没有参数可调。一个不错的方法是线性SVM，它只需要调整一个参数C。一旦您设法获得了一些不错的结果（这可以保证代码的其余部分正常工作），您就可以使用更"复杂"的分类器。

最后，您提取的训练数据和特征向量非常重要。训练数据必须与您试图预测的测试数据"相似"。例如，如果你预测路标中的字符，这些字符具有不同的字体、照明条件和姿势差异，那么使用由报纸/书籍档案中的字符组成的训练数据可能不会给你带来好的结果。这是机器学习中域自适应的问题。