matlab - 在 MATLAB 中使用 SVM 实现 HOG 特征

Question

我想使用 SVM 基于 HOG 特征进行分类。

我理解 HOG 特征是每个单元格中所有直方图的组合(即它成为一个聚合直方图)。

我在此 page 中使用 MATLAB 代码提取 HOG 特征对于Dalal-Triggs 变体。

例如，我有一个大小为 384 x 512 的灰度图像，然后我在 9 个方向和一个单元格大小为 8 处提取 HOG 特征。通过这样做，我得到 48 x 64 x 36特征。

如何将其制作成直方图并将其用于 SVM 分类器？

因为例如，我将有 7 类图像并且我想进行训练(用于训练的图像总数为 700)，然后根据训练阶段生成的模型对新数据进行分类。

我读到对于多类，我们可以用 ONE vs ALL 训练我们的 SVM，这意味着我必须为我的 7 个类训练 7 个分类器。

所以对于第一列火车，我会考虑将第一节标记为 +1，将第二节标记为 0。 而第 2 列火车，我会认为第 2 类标记为 +1，其余类将标记为 0。依此类推。

例如，我有颜色类别: 红色、绿色、蓝色、黄色、白色、黑色和粉色。

所以对于第一次训练，我只制作了 2 个红色和非红色的二进制文件。

对于第二次训练，我将标签设为绿色而不是绿色...... 是这样吗？？

训练SVM的语法是:

          SVMStruct = svmtrain(Training,Group)

但在这种情况下，我将有 7 个 SVMStruct..

分类/测试的语法

          Group = svmclassify(SVMStruct,Sample)

如何在这里声明7个SVMStruct？？

是吗？？ 或者还有其他我必须知道的概念或语法？？

对于训练，我将拥有 48 x 64 x 36 的特征，我如何在 SVM 中训练这些特征？ 因为正如我读到的那样，它们只有 1xN 的特征矩阵..

请帮帮我...

Answer 1

HOG 和 SVM 是最成功的目标检测算法。要应用这种方法，是的，在将它们输入 SVM 分类器之前，您确实必须有两个不同的训练数据集。例如，你想检测一个苹果，那么你必须有两个训练数据集，positive images 是图像中包含苹果的图像，negative images 是图像中不包含苹果的图像。然后，您将两个训练数据集(正面和负面)的特征分别提取到 HOG 描述符中，并分别对其进行标记(即 1 表示正面，0 表示负面)。之后，结合正负特征向量并将它们提供给 SVM 分类器。

您可以使用 SVM Light 或 LibSVM，这对初学者来说更容易且用户友好。