在 MATLAB 中使用 SVM 实现 HOG 特征答案

【问题标题】：HOG Feature Implementation with SVM in MATLAB在 MATLAB 中使用 SVM 实现 HOG 特征
【发布时间】：2023-03-27 19:35:01
【问题描述】：

我想使用 SVM 基于 HOG 特征进行分类。

我知道 HOG 特征是每个单元格中所有直方图的组合（即它变成一个聚合直方图）。

我使用page 中的 MATLAB 代码为 Dalal-Triggs 变体提取 HOG 特征。

例如，我有尺寸为 384 x 512 的灰度图像，然后我提取了 9 个方向和 8 个像元大小的 HOG 特征。通过这样做，我得到 48 x 64 x 36 功能。

如何制作直方图并将其用于 SVM 分类器？

因为例如，我将有 7 类图像，并且我想进行训练（训练时总图像为 700 个），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，我们可以使用 ONE 与 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。

所以对于第一班火车，我会考虑将第一班标记为 +1，而最后一班将标记为 0。而第二班火车，我会考虑将第二班标记为+1，而最后一班将标记为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 个红色而不是红色的二进制文件。

对于第二次培训，我将标签设为绿色而不是绿色.. 是这样的吗？？

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)

这里怎么声明7个SVMStruct？？

是这样吗？？还是我必须知道其他概念或语法？

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？因为正如我所读到的，它们只有 1xN 的特征矩阵..

请帮帮我...

【问题讨论】：

我觉得这个网站可以帮到你：geocities.ws/talh_davidc

标签： matlab classification svm feature-extraction matlab-cvst

【解决方案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，确实必须有两个不同的训练数据集。例如，您想检测一个苹果，因此您必须有两个训练数据集，正图像是图像中包含苹果的图像，负图像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）。然后，将正面和负面的特征向量组合起来，并输入到 SVM 分类器中。

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

【讨论】：

请检查一下link

【解决方案2】：

适用于 MATLAB 的计算机视觉系统工具箱包括 extractHOGFeatures 函数，统计工具箱包括 SVM。这是一个example，介绍如何使用 HOG 和 SVM 对图像进行分类。

【讨论】：

我从谷歌来到这里，你提到的例子正是我想要的。但是我不能加载文章中提到的训练数据集有什么原因吗？我什至安装了计算机视觉工具箱。但是当我发出load('digitDataSet.mat',... 命令时，我被告知不存在这样的文件。我需要查看数据集以了解数据的排列方式，并且它们将相同的排列应用于我的数据集。谢谢
@FarazKhan，你有哪个版本的 Matlab？
MATLAB Version: 8.1.0.604 (R2013a)
@FarazKhan，啊，这就是原因。该示例仅在 R2013b 中与extractHOGFeatures 一起添加。您可能需要升级到最新版本的 R2014a，它包含许多计算机视觉方面的新内容。
对，就是这样。感谢您的澄清。

【解决方案3】：

1.我怎样才能使它成为直方图并将其用于 SVM 分类器？

我想要做的一个区别是你已经有了一个定向梯度特征的“直方图”。您现在需要将这些特征作为输入提供给 SVM。为这些特征中的每一个分配标签是很奇怪的，因为一个 HoG 特征可能会出现在另一个标签不同的图像中。

实际上，我们所做的是从这些 HoG 特征中制作另一个称为词袋的直方图，并将它们作为输入提供给 SVM。直觉是，如果两个特征非常相似，您将需要这两个 HoG 特征的一种表示。这减少了输入数据的方差。现在我们为每张图片制作这个新的直方图。

按以下方式创建一个词袋：

将所有 HoG 特征聚类为“单词”。假设你有 1000 个
这些话。
遍历所有 HoG 特征并将 HoG 特征分配给一个单词，如果它在 bag 中的所有单词中最接近（欧几里得距离）该单词。
计算为袋子中的每个单词分配了多少单词。这是 1XN(N = 包中的单词数) 特征直方图，将给出作为标记后 SVM 的输入。

2。如何使用 SVM 进行多类分类？如果您将重新训练 SVM，您将获得另一个模型。有两种方法可以使用 SVMTrain 进行多类 SVM

1) 一对一支持向量机

使用以下方式输入每个标签类：

模型 1 输入的示例将是

bag of words features  for Image 1, RED
bag of words features Image 2, GREEN

模型 1 输入的示例将是

bag of words features  for Image 3, YELLOW
bag of words features Image 2, GREEN

以上是针对每对标签类别完成的。您将拥有 N(N-1)/2 个模型。现在您可以计算 N(N-1)/2 个模型中每个类别的投票数，以找到要分配的标签。

2) 一对一支持向量机

使用以下方式输入每个标签类：

模型 1 输入的示例将是

bag of words features for Image 1, RED
bag of words features for Image 2, NOT RED

模型 1 输入的示例将是

bag of words features for Image 2, GREEN
bag of words features for Image 1, NOT GREEN

以上是对每个标签类做的。您将拥有 N 个模型。现在您可以计算 N 个模型中每个类别的投票数，以找到要分配的标签。

在此处阅读有关类别级别分类的更多信息：http://www.di.ens.fr/willow/events/cvml2013/materials/slides/tuesday/Tue_bof_summer_school_paris_2013.pdf

【讨论】：