開始接觸svm分類器是opencv中的使用起來很方便，后來根據實際需要需要使用matlab版的，以前沒怎么接觸過，開始有點頭大，不知從何下手，查閱相關例子后，就開始

開始接觸svm分類器是opencv中的使用起來很方便，后來根據實際需要需要使用matlab版的，以前沒怎么接觸過，開始有點頭大，不知從何下手，查閱相關例子后，就開始訓練了自己所需分類器了，也很方便.其中hog源程序參考

準備工作

1：創建正陽本文件夾“pos”將正陽本放入

2：創建負樣本文件夾“neg”將負樣本放入

3：制作正陽本文件列表pos_list.txt

4：制作負樣本文件列表neg_list.txt

5：執行下面程序進行訓練，測試

clear ;

%% 訓練階段

ReadList1 = textread('pos_list.txt','%s','delimiter','\n');%載入正樣本列表

sz1=size(ReadList1);

label1=ones(sz1(1),1); %正陽本標簽

ReadList2 = textread('neg_list.txt','%s','delimiter','\n');%載入負樣本列表

sz2=size(ReadList2);

label2=zeros(sz2(1),1);%負樣本標簽

label=[label1',label2']';%標簽匯總

total_num=length(label);

data=zeros(total_num,1764);

%讀取正樣本并計算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

%讀取負樣本并計算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

%% 訓練完成后保存 svmStruct即可對新輸入的對象進行分類了無需再執行上面訓練階段代碼

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的值即為分類結果

，

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的hog svm 视频 matlab,matlab版hog+svm图像二分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。