人体行为识别与理解

clf;clear;clc; % 剔除原始数据 tic %显示训练图像工作路径； cd('F:\aaaaa\image.orig') files=dir('*.jpg'); m=size(files,1);%m为所有图像的总数； %获取图像的PHOG特征向量； bin = 8;%直方图的方向个数； angle = 360;%方向角度； L=3;%图像分三层； roi = [1;225;1;250];%提取图像大小； C=[]; for k=1:m p = anna_phog(files(k).name,bin,angle,L,roi); C(k,:)=p;%C为该图像的PHOG特征矩阵； end Q=[]; %获取颜色直方图 for k=1:m I=imread(files(k).name); % 文件名 siz=size(I); I1=reshape(I,siz(1)*siz(2),siz(3)); % 每个颜色通道变为一列 I1=double(I1); [N,X]=hist(I1, [0:1:255]); % 如果需要小矩形宽一点，划分区域少点，可以把步长改大，比如0:5:255 % （这个很好，就是所谓的把步长改大，特征的维度减少，那么特征对结果的影响就会减小，如果颜色直方图的判别结果比较差，就把颜色直方图的 步长增宽） % bar(X,N(:,[3 2 1])); R=N(:); Q(k,:)=R;%颜色直方图特征矩阵 end D=[]; D=[C';Q'];%特征矩阵 [centers, assignments] = vl_kmeans(D,400, 'verbose', 'distance', 'l1', 'algorithm', 'elkan') ;%聚类 B = pdist2(D',centers'); %G1=B(1:2:end,:); %奇数行 %G2=B(2:2:end,:);%偶数行 %[train_scale,test_scale,ps] = scaleForSVM(G1,G2,0,1); %设置图像标签 label=[]; for i=1:10 A=i*ones(100,1); label=[label;A]; end indices = crossvalind('Kfold',100,5); %交叉验证，产生10个fold，即indices里有等比例的1-10 aaa=[];bbb=[]; test=(indices==1); train=~test; aaa=repmat(train,10,1); bbb=repmat(test,10,1); data_train=B(aaa,:);%训练集数据 label_train=label(aaa,:);%训练集标签 data_test=B(bbb,:);%测试集数据 label_test=label(bbb,:); %测试集标签 [train_scale,test_scale,ps] = scaleForSVM(data_train,data_test,0,1);%归一化 model = svmtrain(label_train,train_scale,'-t 2 -c 1024 -p 1e-30 -g 0.01'); %model = svmtrain(label_train,train_scale,'-t 2 -c 1024 -p 1e-30 -g 0.0078');%对图像进行训练； [predict_label1, accuracy1, dec_values] = svmpredict(label_test,test_scale, model); %进行测试 [C1,order1]=confusionmat(label_test,predict_label1);%分类混淆矩阵 T1=toc