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

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

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