fenleiqi.rar_hog特征提取_matlab提取HOG_特征提取_特征提取HOG

clear; clc; sum_xinren_jiancelv=0;sum_xinren_alarmlv=0;sum_beijin_jiancelv=0; %-----------产生随机序号----------------- %a为种子，依次取1，2，3，4，5，将产生固定随机序列 for a=1:5 xinren_jiancelv=0; xinren_alarmlv=0; beijin_jiancelv=0; rand('state',a); b=rand(1,250);%随机产生250个数字。 rand_xuhao=floor(500*b);%将随机数取整得到250个随机整数，作为HoG序号 %序号从小到大排序 for i=1:250 for j=(i+1):250 if rand_xuhao(1,i)>rand_xuhao(1,j) buffer=rand_xuhao(1,i); rand_xuhao(1,i)=rand_xuhao(1,j); rand_xuhao(1,j)=buffer; end end end %序号去重，并且去掉0项dazuoye1.m for i=1:250 if rand_xuhao(1,i)==0 rand_xuhao(1,i)=rand_xuhao(1,i)+1; end for j=(i+1):250 if rand_xuhao(1,i)==rand_xuhao(1,j) rand_xuhao(1,j)=rand_xuhao(1,j)+1; end end end %取出去除随机数后剩下的250个数作为待测数据序号 p=1; symbol=0; for i=1:500 for j=1:250 if i==rand_xuhao(1,j) symbol=0; break else symbol=symbol+1; end end if symbol~=0 rest_xuhao(1,p)=i; p=p+1; end end %--------取出背景中随机序号对应的250个训练向量，并取平均值---------- load non_pedestrian.mat; for m=1:250 c=rand_xuhao(1,m); xunlian_non{1,m}=HoG{1,c}; end %求训练样本均值 sum_xunlian_non=xunlian_non{1,1}; for j=2:250 sum_xunlian_non=sum_xunlian_non+xunlian_non{1,j}; end mean_xunlian_non=sum_xunlian_non/250; %取出背景中的其余250个特征向量作为待测向量。 for m=1:250 d=rest_xuhao(1,m); daice_non{1,m}=HoG{1,d}; end %-------------随机取行人中250个特征，并取其平均值--------------。 load pedestrian.mat; %取与背景相同序号的训练向量和待测向量，随机序号对应的250个特征向量-训练向量。 for m=1:250 c=rand_xuhao(1,m); xunlian{1,m}=HoG{1,c}; end %求训练样本均值 sum_xunlian=xunlian{1,1}; for j=2:250 sum_xunlian=sum_xunlian+xunlian{1,j}; end mean_xunlian=sum_xunlian/250; %取出行人中250个待测向量。 for m=1:250 d=rest_xuhao(1,m); daice{1,m}=HoG{1,d}; end %--------------最小欧氏距离判别------------------------- e_non=0;r_non=0;e=0;r=0;mo_cha_non_non=0;mo_cha_non_daice=0;mo_cha_non=0;mo_cha_daice=0; for i=1:250 cha_non_non=daice_non{1,i}-mean_xunlian_non; cha_non_daice=daice_non{1,i}-mean_xunlian; for j=1:16 mo_cha_non_non=mo_cha_non_non+cha_non_non(j)^2; mo_cha_non_daice=mo_cha_non_daice+cha_non_daice(j)^2; end if mo_cha_non_non>mo_cha_non_daice e_non=e_non+1; else r_non=r_non+1; end end %背景检测率 beijin_jiancelv=(beijin_jiancelv+r_non/250); %输出背景检测率 z={'a='}; disp(z{1,1}); disp(a); z={'beijin_jiancelv='}; disp(z{1,1}); disp(beijin_jiancelv); %行人检测率计算 for i=1:250 cha_non=daice{1,i}-mean_xunlian_non; cha_daice=daice{1,i}-mean_xunlian; for j=1:16 mo_cha_non=mo_cha_non+cha_non(j)^2; mo_cha_daice=mo_cha_daice+cha_daice(j)^2; end if mo_cha_non>mo_cha_daice r=r+1; else e=e+1; end end %输出行人检测率和虚警率 xinren_jiancelv=(xinren_jiancelv+r/250); xinren_alarmlv=(xinren_alarmlv+e_non/250); z={'xinren_jiancelv='}; disp(z{1,1}); disp(xinren_jiancelv); z={'xinren_alarmlv='}; disp(z{1,1}); disp(xinren_alarmlv); %检测率求和 sum_xinren_jiancelv=sum_xinren_jiancelv+xinren_jiancelv; sum_xinren_alarmlv=sum_xinren_alarmlv+xinren_alarmlv; sum_beijin_jiancelv=sum_beijin_jiancelv+beijin_jiancelv; end %平均检测率 average_xinren_jiancelv=sum_xinren_jiancelv/5; average_xinren_alarmlv=sum_xinren_alarmlv/5; average_beijin_jiancelv=sum_beijin_jiancelv/5; %输出平均检测率 z={'average_xinren_jiancelv='}; disp(z{1,1}); disp(average_xinren_jiancelv); z={'average_xinren_alarmlv='}; disp(z{1,1}); disp(average_xinren_alarmlv); z={'average_beijin_jiancelv='}; disp(z{1,1}); disp(average_beijin_jiancelv);