opencv提供的有常用的机器学习算法和深度学习算法，本来是不打算放opencv中说的，毕竟机器学习和深度学习有很多专门的算法库，不过既然有就来大致了解下就行，基本流程还是：样本处理特征提起模型训练预测。
1：KNN最近邻算法
简单理解：从数据集中找到距离当前样本最近的k个样本，投票决定当前样本类别，这里k一般为奇数。不好的地方就是每次预测都要用整个数据集来进行距离计算，慢并且存储大，假设有10亿样本的话，就自己脑补吧。
knn = cv.ml.KNearest_create()
knn.train(train, cv.ml.ROW_SAMPLE, train_labels)
ret,result,neighbours,dist = knn.findNearest(test,k=5)
如上图结果所示，第一列是真实标签，第二列是距离最近的k=5个样本标签，第三列是预测标签（投票决定）。
分类准确率：91.76。
2：SVM支持向量机分类算法
这里有两种情况：
（1）线性可分：寻找具有最大分类间隔的分割线。
（2）非线性可分：核函数变换低维空间转换到高维空间，使其线性可分；加入惩罚因子和松弛变量处理错分样本。
训练模型需要注意下最好是对特征进行归一化，省的你用RBF核函数训练模型发现模型预测准确率很低，还以为是算法很差呢，其实是特征处理的问题。
模型训练保存：
svm = cv.ml.SVM_create()
svm.setKernel(cv.ml.SVM_LINEAR)
svm.setType(cv.ml.SVM_C_SVC)
svm.setC(2.67)
svm.setGamma(5.383)
svm.train(trainData, cv.ml.ROW_SAMPLE, responses)
svm.save('svm_data.dat')
模型预测：
result = svm.predict(testData)[1]
上述蓝色部分是对不同核函数所做的测试，绿色部分是对RBF核函数手动调参的最优结果，可以看出SVM比KNN算法有了很大提升，这里其实也有特征的关系，KNN的特征用的就是整幅图像的像素值，SVM用的是64维的hog特征。
3：k-Means均值聚类算法
基本理解：无监督算法，最终会得到K个聚类中心，对于新样本距离哪个聚类中心最近就属于哪个类别。
criteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 10, 1.0)
ret,label,center=cv.kmeans(Z,2,None,criteria,10,cv.KMEANS_RANDOM_CENTERS)
