在草图符号的自适应学习中，不同用户的训练样本数量可能不同，保持在不同样本数量下良好的学习效 果成为需要解决的一个重要问题．提出一种自适应的草图符号识别方法，该方法采用与训练样本个数相关的分类 器组合策略将模板匹配方法和SVM统计分类方法进行了高效组合．它通过利用支持小样本学习的模板匹配方法 和支持大量样本学习的SVM 方法，并同时利用草图符号中的在线信息和离线信息，实现了不同样本个数下自适应 的符号学习和识别．基于该方法，文中设计并实现了支持自适应识别的草图符号组件．最后，利用扩

svm分类器，对学习分类的初学者具有很好的参考作用-SVM classifier, is a good reference for beginners learning classification

绝对自己编写的可用的CVM程序。类似SVM，可以以文件夹为目标提取整个文件夹内图像特征（对应特征为颜色直方图），然后用分类器分类-Absolutely have written procedures available CVM. Similar SVM, can extract image features the entire file folder to folder as the target (corresponding feature is the color histogram),