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：
