使用MATLAB来对于hog+svm进行使用

这边使用的是getfile函数来对于文件夹来进行遍历以及进行hog来进行变换，返回图片数量以及hog以后的矩阵allimage。
主函数使用的是MATLAB自带的函数fitcsvm来进行训练，predict来进行判断。

function [ allimage,num ] = getFiles( input )
%UNTITLED9 此处显示有关此函数的摘要

%   此处显示详细说明
p = genpath(input);% 获得文件夹data下所有子文件的路径，这些路径存在字符串p中，以';'分割
length_p = size(p,2);%字符串p的长度
path = {};%建立一个单元数组，数组的每个单元中包含一个目录
temp = [];
for i = 1:length_p %寻找分割符';'，一旦找到，则将路径temp写入path数组中
    if p(i) ~= ';'
        temp = [temp p(i)];
    else 
        temp = [temp '\']; %在路径的最后加入 '\'
        path = [path ; temp];
        temp = [];
    end
end  
clear p length_p temp;
%至此获得data文件夹及其所有子文件夹（及子文件夹的子文件夹）的路径，存于数组path中。
%下面是逐一文件夹中读取图像
%建立矩阵（图片大小要相同）

num=1;
allimage=[];
file_num = size(path,1);% 子文件夹的个数
for i = 1:file_num
    file_path =  path{i}; % 图像文件夹路径
    img_path_list = dir(strcat(file_path,'*.jpg'));
    img_num = length(img_path_list); %该文件夹中图像数量
    if img_num > 0
        for j = 1:img_num
            image_name = img_path_list(j).name;% 图像名
            image =  imread(strcat(file_path,image_name));
            image = imresize(image,[48,32]);
            fprintf('%d %d %s\n',i,j,strcat(file_path,image_name));% 显示正在处理的路径和图像名
           %  img=rgb2gray(image);    
           % hog =hogcalculator(image);  
             [adds, hog] = extractHOGFeatures(image);%hog变换
%              figure(1),imshow(image), hold on;
%              plot(hog);
            
             allimage(num,:)=adds;  
            % allimage = [allimage,image1];
            num = num+1;
        end
    end
end

end

主函数

clear 
close all

[charsImage1 , size1] = getFiles ('C:\Users\Administrator\Documents\MATLAB\chars');%正样本
[charsImage2 , size2] = getFiles ('C:\Users\Administrator\Documents\MATLAB\nochars');%负样本
[charsImage3 , size3] = getFiles ('C:\Users\Administrator\Documents\MATLAB\charsImage');%测试样本
label1=ones(size1-1,1);
label2=zeros(size2-1,1);
label = [label1;label2];
trainImage = [charsImage1;charsImage2];

%训练分类模型
svmModel = fitcsvm(trainImage,label);
predict1 = [];
%分类测试
for i= 1:size3-1
    
        [predictIndex,score]=predict(svmModel,charsImage3(i,:));
        predict1 = [predict1,predictIndex];
end

预测结果在predict1里面。