HALCON分类器:

  1、多层神经网络(MLP)

   /2、 支持向量机(SVM) ： 一种监督学习的方法，广泛用于统计分类及回归分析；

    /3、 K-最邻近 (K-NN)

    /4高斯混合类型(GMM)

4个分类器的主要优势和劣势如下:

多层感知机：MLP分类器会有一个好的识别率且分类速度更快。作为交换，其训练没有SVM分类快，尤其对于巨大量的训练集。如果分类耗时要求高，但训练可以连线应用的话，MLP方法是一个好的选择。一个拒绝类被返回，但是相比于GMM分类器，它可能会被离群点所影响，因而，推荐对拒绝类有一个额外精确的训练。除此之外，如果你想额外的训练样本，你不应该再追加一个训练，而是用老的和新的训练样本重复训练。

支持向量机：相比于MLP分类器，SVM分类会取得稍微更好的识别率和更快的训练，尤其对于巨大量的训练集。另外，新的训练样本的训练可以被简单的添加到先前的训练。作为交换，其分类没有MLP方法快，且并不能自动的获取一个拒绝类。

高斯混合模型：GMM分类的优势是，由参数设置来控制，不匹配训练类的特征向量将被分配到一个拒绝类。另外，你可以在第一次训练上应用第二次训练，例如为了添加新的训练样本，非常适合缺陷检测。GMM分类器的缺点是识别率没有MLP或者SVM方法的好。还有，长度为15的特征向量是被建议的，然而对于MLP和SVM分类器，500维的特征向量也是可以的。

K最近邻：k-NN分类器的优势之一是它具有很少且直观的参数，同时，k-NN分类器可以用很少的训练数据工作。原则上，每一类仅一个样本就足够得到合理的结果。K-NN分类器的训练时所有分类器中最快的，其让k-NN分类器对于自动特征选择和快速评估成为了首要选择。缺点就是分类是相对较慢的，且分类结果没有SVM和MLP分类器的好。
————————————————
原文链接：https://blog.csdn.net/weixin_39628864/article/details/112941093