HoG SVm 人脸识别方

HoG SVm 人脸识别方法， 做人脸识别的同学，可以研究一下

function [ped] = classify_region（row col size img）
%UNtitleD2 Summary of this function goes here
%   Detailed explanation goes here
%disp（‘Classifying region... r c s‘）;

region = zeros（14）;
ped_ratio = 0.5;
h = size;
w = h*ped_ratio;

file = fopen（‘classifiers/svm_classifier.txt‘ ‘r‘）;
ped = 0;
res = 0;
neg = 0;

region（11） = str2double（fscanf（file‘%s‘ 1））;

    while （~feof（file） && neg==0）
       
        region（12） = str2double（fscanf（file‘%s‘ 1））;
        region（13） = str2double（fscanf（file‘%s‘ 1））;
        region（14） = str2double（fscanf（file‘%s‘ 1））;

        SVM_name = fscanf（file ‘%s‘ 1）;
        a = str2double（fscanf（file ‘%s‘ 1））;
        structSVM = load （SVM_name）;
        
        %DESNORMALIZE BLOCK in relation to REGION
        region（11）=region（11）*h;
        region（12）=region（12）*w;
        region（13）=region（13）*w;

        if（size>128）
           region（13） = ceil（region（13））;
           if（mod（region（13）2） ~= 0）
               region（13） = region（13）-1;
           end
           region（12） = floor（region（12））;
           region（11） = floor（region（11））;
        elseif（size<128）
           region（13） = ceil（region（13））;
           if（mod（region（13）2） ~= 0）
               region（13） = region（13）-1;
           end
           region（12） = ceil（region（12））;
           region（11） = ceil（region（11））;
        end

        % Feature block coordinates: r c s.
        r = （row-1）+region（11）;
        c = （col-1）+region（12）;
        s1 = region（13）;
        s2 = region（13）*region（14）;
        
       
        %Select only the image region / block we want to evaluate --> （r1:r2 c1:c2）
        I = img（（r:（r+s1-1）） （c:（round（c+s2-1））））;
                               
        plot=0;
        if（plot） 
            imshow（img）;
            rectangle（‘Position‘[col row size*ped_ratio size] ‘LineWidth‘ 1 ‘EdgeColor‘ ‘b‘）;
            rectangle（‘Position‘ [c r s2 s1] ‘LineWidth‘ 1 ‘EdgeColor‘ ‘r‘）;
            pause（）
            imshow（I）
            pause（）
        end
        
        switch （region（14））
            case 1
                HOG = extractHOGFeatures（I ‘CellSize‘ [floor（length（I）/2） floor（length（I）/2）]）;
            case 0.5
                HOG = extractHOGFeatures（I ‘CellSize‘ [floor（length（I）/2） floor（length（I）/4）]）;
            case 2
                HOG = extractHOGFeatures（I ‘CellSize‘ [floor（length（I）/4） floor（length（I）/2）]）;
            otherwise
                disp（‘WRONG ASPECT RATIO!‘）
        end
        
        %HOG = extractHOGFeatures（I ‘CellSize‘ [round（length（I）/2） round（length（I）/2）]）; % 36-D vector
        %HOG = extractHOGFeatures（I ‘NumBins‘ 6 ‘BlockSIze‘ [3 3] ‘CellSize‘ [floor（length（I）/3） floor（length（I）/3）]

        weak_res = （svmclassify （structSVM.weak_svm HOG））*a; 
        res = res + weak_res;

        aux = str2double（fscanf（file ‘%s‘ 1））;
        if（aux==999999）
            %disp（‘END OF STAGE‘）;
            t = 

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2014-06-10 09:16  hogsvm-master\
     目录           0  2014-06-10 09:16  hogsvm-master\HOG+TREE\
     目录           0  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\
     文件        1116  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\svm_classifier.txt
     文件        2548  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\training_results.txt
     文件      758449  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\weak_tree_11.mat
     文件      760158  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\weak_tree_12.mat
     文件      758437  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\weak_tree_21.mat
     文件      767419  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\weak_tree_22.mat
     文件      764484  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\weak_tree_31.mat
     文件      794183  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\weak_tree_32.mat
     文件      775521  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\weak_tree_41.mat
     文件      790006  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\weak_tree_42.mat
     文件      786421  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\weak_tree_51.mat
     文件      802000  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\weak_tree_52.mat
     文件      778448  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\weak_tree_61.mat
     文件      768193  2014-06-10 09:16  hogsvm-master\HOG+TREE\classifiers\weak_tree_62.mat
     文件        3414  2014-06-10 09:16  hogsvm-master\HOG+TREE\classify_region.m
     文件         823  2014-06-10 09:16  hogsvm-master\HOG+TREE\count_blocks.m
     文件        4375  2014-06-10 09:16  hogsvm-master\HOG+TREE\feature_extraction.m
     文件        3244  2014-06-10 09:16  hogsvm-master\HOG+TREE\learning.m
     文件        7567  2014-06-10 09:16  hogsvm-master\HOG+TREE\prepare_samples.m
     文件        1600  2014-06-10 09:16  hogsvm-master\HOG+TREE\runtime.m
     文件        2998  2014-06-10 09:16  hogsvm-master\HOG+TREE\sample_negatives.m
     文件        4063  2014-06-10 09:16  hogsvm-master\HOG+TREE\select_tree.m
     文件        1189  2014-06-10 09:16  hogsvm-master\HOG+TREE\test.m
     文件        1612  2014-06-10 09:16  hogsvm-master\HOG+TREE\test_neg.m
     文件        1193  2014-06-10 09:16  hogsvm-master\HOG+TREE\test_pos.m
     文件         917  2014-06-10 09:16  hogsvm-master\HOG+TREE\testing.m
     文件        4798  2014-06-10 09:16  hogsvm-master\HOG+TREE\train_cascade_ilevel.m
     文件        3402  2014-06-10 09:16  hogsvm-master\classify_region.m
............此处省略9个文件信息