matlab版hog+svm图像二分类

开始接触svm分类器是opencv中的使用起来很方便，后来根据实际需要需要使用matlab版的，以前没怎么接触过，开始有点头大，不知从何下手，查阅相关例子后，就开始训练了自己所需分类器了，也很方便.其中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

2：创建负样本文件夹“neg”将负样本放入

3：制作正阳本文件列表pos_list.txt

4：制作负样本文件列表neg_list.txt

5：执行下面程序进行训练，测试

 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(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(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('test2.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