hog matlab代码1——实现hog+svm图像二分类

最近因为需要实现hog+svm的分类代码，网上找了一些例子，觉得这篇博客还不错：http://blog.csdn.net/libin88211/article/details/19968205，下面结合该博客写一下步骤，供新手们交流学习~~（如果侵犯了版权问题的话，可以联系删除，尊重作者原创~~）

hog干嘛的？hog就是提取图片特征的。hog源程序参考http://blog.csdn.net/huangli19870217/article/details/7695458

准备工作：

1、创建正阳本文件夹“pos”将正阳本放入

pos文件夹用来存放正阳样本的，下图是我自己准备的（就是一些狗狗的图像）

2、创建负样本文件夹“neg”将负样本放入

neg文件夹用来存放负样本，下图准备的是一些猫的（当然，负样本嘛，随便的，可以是其他的东东，不一定非要是猫，只要正阳样本是狗就行~~）

这里正负样本都是20个。

3、制作正阳本文件列表pos_list.txt

制作参考下图：

4、制作负样本文件列表neg_list.txt

制作参考下图：

5、执行下面程序进行训练，测试

[plain] view plain copy

print?

1. clc;   
2. clear ;    
3. %% 训练阶段    
4. ReadList1  = textread('pos_list.txt','%s','delimiter','\n');%载入正样本列表    
5. sz1=size(ReadList1);    
6.     
7. label1=ones(sz1(1),1); %正阳本标签    
8. ReadList2  = textread('neg_list.txt','%s','delimiter','\n');%载入负样本列表    
9. sz2=size(ReadList2);    
10. label2=zeros(sz2(1),1);%负样本标签    
11. label=[label1',label2']';%标签汇总    
12. total_num=length(label);    
13. data=zeros(total_num,1764);    
14.   
15. %读取正样本并计算hog特征    
16. for i=1:sz1(1)    
17.    name= char(ReadList1(i,1));    
18.    image=imread(strcat('D:\daily\冰\机器学习\pos\',name));   
19.    im=imresize(image,[64,64]);    
20.    img=rgb2gray(im);    
21.    hog =hogcalculator(img);    
22.    data(i,:)=hog;    
23. end    
24.   
25. %读取负样本并计算hog特征    
26. for j=1:sz2(1)    
27.    name= char(ReadList2(j,1));    
28.    image=imread(strcat('D:\daily\冰\机器学习\neg\',name));    
29.    im=imresize(image,[64,64]);    
30.    img=rgb2gray(im);    
31.    hog =hogcalculator(img);    
32.    data(sz1(1)+j,:)=hog;    
33. end    
34.   
35. [train, test] = crossvalind('holdOut',label);    
36. cp = classperf(label);    
37. svmStruct = svmtrain(data(train,:),label(train));    
38. save svmStruct svmStruct    
39. classes = svmclassify(svmStruct,data(test,:));    
40. classperf(cp,classes,test);    
41. cp.CorrectRate     
42.   
43. %% 训练完成后保存 svmStruct即可对新输入的对象进行分类了无需再执行上面训练阶段代码    
44. load svmStruct    
45. test=imread('test.jpg');    
46.        
47. im=imresize(test,[64,64]);    
48. figure;    
49. imshow(im);    
50. img=rgb2gray(im);    
51. hogt =hogcalculator(img);    
52. classes = svmclassify(svmStruct,hogt);%classes的值即为分类结果    

clc; clear ;  %% 训练阶段  ReadList1  = textread('pos_list.txt','%s','delimiter','\n');%载入正样本列表  sz1=size(ReadList1);    label1=ones(sz1(1),1); %正阳本标签  ReadList2  = textread('neg_list.txt','%s','delimiter','\n');%载入负样本列表  sz2=size(ReadList2);  label2=zeros(sz2(1),1);%负样本标签  label=[label1',label2']';%标签汇总  total_num=length(label);  data=zeros(total_num,1764);  %读取正样本并计算hog特征  for i=1:sz1(1)     name= char(ReadList1(i,1));     image=imread(strcat('D:\daily\冰\机器学习\pos\',name));    im=imresize(image,[64,64]);     img=rgb2gray(im);     hog =hogcalculator(img);     data(i,:)=hog;  end  %读取负样本并计算hog特征  for j=1:sz2(1)     name= char(ReadList2(j,1));     image=imread(strcat('D:\daily\冰\机器学习\neg\',name));     im=imresize(image,[64,64]);     img=rgb2gray(im);     hog =hogcalculator(img);     data(sz1(1)+j,:)=hog;  end  [train, test] = crossvalind('holdOut',label);  cp = classperf(label);  svmStruct = svmtrain(data(train,:),label(train));  save svmStruct svmStruct  classes = svmclassify(svmStruct,data(test,:));  classperf(cp,classes,test);  cp.CorrectRate   %% 训练完成后保存 svmStruct即可对新输入的对象进行分类了无需再执行上面训练阶段代码  load svmStruct  test=imread('test.jpg');       im=imresize(test,[64,64]);  figure;  imshow(im);  img=rgb2gray(im);  hogt =hogcalculator(img);  classes = svmclassify(svmStruct,hogt);%classes的值即为分类结果  

源代码以及图片文件已经上传CSDN，这里给出链接~~

http://download.csdn.net/detail/jcy1009015337/9716482