【matlab】libsvm-3.18安装与使用

安装

1. 在http://www.csie.ntu.edu.tw/~cjlin/ 中下载libsvm

2. 按照http://zjhello123.blog.163.com/blog/static/25495143201251792625811/ 中的安装方法安装libsvm

3. 设置路径。 如果不设置的话会报错：Error using svmtrain (line 233) Y must be a vector or a character array. 

我开始设置了也报错，后来重新make了一下，就好了。不知道为什么。

 

使用

用libsvm对人和车分类

1. 先分别在两个文件夹下放入若干张人和车的图片，做训练样本。再用两个文件夹中放若干图片做测试样本。

2. 读入图片，保存成mat数据。具体代码如下：

clc;clear;

pathname=uigetdir(cd,'请选择文件夹');

if pathname==0

    msgbox('您没有正确选择文件夹');

    return;

end



% pathnamesub=uigetdir(cd,'请选择文件夹');

% if pathname==0

%     msgbox('您没有正确选择文件夹');

%     return;

% end



% 可以打开几乎所有的图像类型

filesbmp=ls(strcat(pathname,'\*.bmp'));

filesjpg=ls(strcat(pathname,'\*.jpg'));

filesjpeg=ls(strcat(pathname,'\*.jpeg'));

filesgif=ls(strcat(pathname,'\*.gif'));

filestif=ls(strcat(pathname,'\*.tif'));

filespng=ls(strcat(pathname,'\*.png'));

files=[cellstr(filesbmp);cellstr(filesjpg);...

    cellstr(filesjpeg);cellstr(filesgif);...

    cellstr(filestif);cellstr(filespng)];

len=length(files);

flag=[];



% 开始批量处理图像，转换格式

num=0;

for ii=1:len

    if strcmp(cell2mat(files(ii)),'')

        continue;

    end

    num=num+1;

    Filesname{num}=strcat(pathname,'\',files(ii));

    page{num}=imread(cell2mat(Filesname{num}));



end





filename=input('outputfilename:','s');

save (['C:\Documents\MATLAB\svm数据\',filename],'page');

对训练和测试的四个文件夹分别调用上面代码，会把每个文件夹中的图片都存在 page里面 自己再改名字 我分别命名为 

3.

将上面的数据转换成svmtrain调用时需要的数据： 包括灰度化、统一大小、提取特征（这里用的hog特征）、生成label数据等

%获取训练数据

load('C:\Users\Documents\MATLAB\svm数据\car_train_svm_rgb.mat');

load('C:\Users\Documents\MATLAB\svm数据\person_train_svm_rgb.mat');



num_train_car = size(car_train_svm_rgb);

num_train_person = size(person_train_svm_rgb);

train_num = num_train_car(1, 2) + num_train_person(1, 2); %总训练样本数目

train_data = zeros(train_num, 1); 

train_label = zeros(train_num, 1);



for i = 1 : 1 : num_train_car(1, 2)

    data_gray=rgb2gray(car_train_svm_rgb{1,i});

    data_resize=double(imresize(data_gray,[64 64]));  %把数据都转为64 * 64大小的灰度图

    feature_of_one = hog(data_resize);  %获取hog特征

    [m1, n1] = size(feature_of_one);

    for j = 1 : 1 : n1

        oneline = feature_of_one{1, j};

        [m, n] = size(oneline);

        colb = (j - 1) * n + 1;

        cole = j * n;

        train_data(i, colb : cole) = oneline;

        train_label(i, 1) = 1;        %car的标签为1

    end

end



for i = 1 : 1 : num_train_person(1, 2)

    data_gray=rgb2gray(person_train_svm_rgb{1,i});

    data_resize=double(imresize(data_gray,[64 64]));  %把数据都转为64 * 64大小的灰度图

    feature_of_one = hog(data_resize);  %获取hog特征

    [m1, n1] = size(feature_of_one);

    for j = 1 : 1 : n1

        oneline = feature_of_one{1, j};

        [m, n] = size(oneline);

        colb = (j - 1) * n + 1;

        cole = j * n;

        train_data(i + num_train_car(1, 2), colb : cole) = oneline;

        train_label(i + num_train_car(1, 2), 1) = 2;        %person的标签为2

    end

end



%获取测试数据

load('C:\Users\Documents\MATLAB\svm数据\car_test_svm_rgb.mat');

load('C:\Users\Documents\MATLAB\svm数据\person_test_svm_rgb.mat');



num_test_car = size(car_test_svm_rgb);

num_test_person = size(person_test_svm_rgb);

test_num = num_test_car(1, 2) + num_test_person(1, 2); %总训练样本数目

test_data = zeros(test_num, 1); 

test_label = zeros(test_num, 1);



for i = 1 : 1 : num_test_car(1, 2)

    data_gray=rgb2gray(car_test_svm_rgb{1,i});

    data_resize=double(imresize(data_gray,[64 64]));  %把数据都转为64 * 64大小的灰度图

    feature_of_one = hog(data_resize);  %获取hog特征

    [m1, n1] = size(feature_of_one);

    for j = 1 : 1 : n1

        oneline = feature_of_one{1, j};

        [m, n] = size(oneline);

        colb = (j - 1) * n + 1;

        cole = j * n;

        test_data(i, colb : cole) = oneline;

        test_label(i, 1) = 1;        %car的标签为1

    end

end



for i = 1 : 1 : num_test_person(1, 2)

    data_gray=rgb2gray(person_test_svm_rgb{1,i});

    data_resize=double(imresize(data_gray,[64 64]));  %把数据都转为64 * 64大小的灰度图

    feature_of_one = hog(data_resize);  %获取hog特征

    [m1, n1] = size(feature_of_one);

    for j = 1 : 1 : n1

        oneline = feature_of_one{1, j};

        [m, n] = size(oneline);

        colb = (j - 1) * n + 1;

        cole = j * n;

        test_data(i + num_test_car(1, 2), colb : cole) = oneline;

        test_label(i + num_test_car(1, 2), 1) = 2;        %person的标签为2

    end

end

hog特征提取代码： 网上找的，可以用。抱歉不记得来源了。

function feature = hog(img)



[m n]=size(img);



img=sqrt(img);      %伽马校正



%下面是求边缘

fy=[-1 0 1];        %定义竖直模板

fx=fy';             %定义水平模板

Iy=imfilter(img,fy,'replicate');    %竖直边缘

Ix=imfilter(img,fx,'replicate');    %水平边缘

Ied=sqrt(Ix.^2+Iy.^2);              %边缘强度

Iphase=Iy./Ix;              %边缘斜率，有些为inf,-inf,nan，其中nan需要再处理一下





%下面是求cell

step=16;                %step*step个像素作为一个单元

orient=9;               %方向直方图的方向个数

jiao=360/orient;        %每个方向包含的角度数

Cell=cell(1,1);              %所有的角度直方图,cell是可以动态增加的，所以先设了一个

ii=1;                      

jj=1;

for i=1:step:m - step          %如果处理的m/step不是整数，最好是i=1:step:m-step

    ii=1;

    for j=1:step:n - step      %注释同上

        tmpx=Ix(i:i+step-1,j:j+step-1);

        tmped=Ied(i:i+step-1,j:j+step-1);

        tmped=tmped/sum(sum(tmped));        %局部边缘强度归一化

        tmpphase=Iphase(i:i+step-1,j:j+step-1);

        Hist=zeros(1,orient);               %当前step*step像素块统计角度直方图,就是cell

        for p=1:step

            for q=1:step

                if isnan(tmpphase(p,q))==1  %0/0会得到nan，如果像素是nan，重设为0

                    tmpphase(p,q)=0;

                end

                ang=atan(tmpphase(p,q));    %atan求的是[-90 90]度之间

                ang=mod(ang*180/pi,360);    %全部变正，-90变270

                if tmpx(p,q)<0              %根据x方向确定真正的角度

                    if ang<90               %如果是第一象限

                        ang=ang+180;        %移到第三象限

                    end

                    if ang>270              %如果是第四象限

                        ang=ang-180;        %移到第二象限

                    end

                end

                ang=ang+0.0000001;          %防止ang为0

                Hist(ceil(ang/jiao))=Hist(ceil(ang/jiao))+tmped(p,q);   %ceil向上取整，使用边缘强度加权

            end

        end

        Hist=Hist/sum(Hist);    %方向直方图归一化

        Cell{ii,jj}=Hist;       %放入Cell中

        ii=ii+1;                %针对Cell的y坐标循环变量

    end

    jj=jj+1;                    %针对Cell的x坐标循环变量

end



%下面是求feature,2*2个cell合成一个block,没有显式的求block

[m n]=size(Cell);

feature=cell(1,(m-1)*(n-1));

for i=1:m-1

   for j=1:n-1           

        f=[];

        f=[f Cell{i,j}(:)' Cell{i,j+1}(:)' Cell{i+1,j}(:)' Cell{i+1,j+1}(:)'];

        feature{(i-1)*(n-1)+j}=f;

   end

end





%到此结束，feature即为所求

%下面是为了显示而写的

% l=length(feature);

% f=[];

% for i=1:l

%     f=[f;feature{i}(:)'];  

% end 

% figure

% mesh(f)

end

4.训练预测

model = svmtrain(train_label, train_data, '-s 0 -t 2 -c 1 -g 0.1');

[predicted_label, accuracy, decision_values] = svmpredict(test_label, test_data, model);

 

结果如下：