4.3.1 训练图像
训练图像组（1）为：
训练图像组（2）为：
训练图像组（3）为：
4.3.2 测试结果
训练图像组（1）的测试结果：测试时间为t=t1+t2=2.1293+4.7639=6.8932S， Accuracy = 81.1111% (73/90) 。
训练图像组（2）的测试结果：测试时间为t=t1+t2=2.8401+4.8126=7.6527S，
Accuracy = 61.1111% (55/90) 。
训练图像组（3）的测试结果：测试时间为t=t1+t2=2.2477+4.9528=7.2005S，Accuracy = 63.3333% (57/90) 。
5. 实验结果分析
综上可知，同一组图片，当用gist和phog提取特征时，其训练结果是不同的，gist图像特征用来分类的结果要相对好一些。由orientationsPerScale（）函数和L（）函数参数的改变可以看出，在进行特征提取时，所提取的图层数目越多，特征越精确，相应的分类准确率也越高。由roi（）参数的改变可以看出，当以中心部分图像做特征提取时，分类准确度更高一些。
6. 总结
本文主要介绍了libsvm用于分类器的实现问题，并设计了gist图像特征和phog图像特征的提取、训练及测试系统。成功完成了对图像的分类，并且通过改变部分函数的参数值，验证了其对分类准确率的影响。但是其中还存在一些问题，例如：图像的选择问题、图像的背景影响问题、函数参数设置的合理性问题等等，都或多或少的影响着分类准确率，由此可见，本程序还有待继续改善。总体来说，测试结果比较理想，分类比较成功。