Python 合并LBP和HOG特征描述符

我正在进行年龄、性别评估项目。到目前为止，我已经尝试使用LBP（局部二进制模式）+SVM（支持向量机）来训练它进行性别分类，但在使用LBP+SVM时，我得到了太多的假阳性，因此我尝试了HOG（梯度直方图）+SVM，令人惊讶的是，准确率提高到了90%，所以我只是想合并描述符的特征，并用它来训练SVM。其代码如下：

    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    fd = hog(gray, orientations, pixels_per_cell, cells_per_block, visualize, normalize) #HOG descriptor here.

    hist = desc.describe(gray) #get the LBP histogram here.

    # extract the label from the image path, then update the
    # label and data lists
    labels.append(imagePath.split("/")[-2])
    data.append(fd + hist) # tried concatinate both featurs, but gives error on this line.

# train a Linear SVM on the data
model = LinearSVC(C=100.0, random_state=42)
model.fit(data, labels)

但是，当尝试这一行时：

data.append（fd+hist）

只是尝试连接两个功能描述器，并抛出以下错误：

回溯（最近一次调用上次）：文件 “/home/swap/Ubuntu home/swap/openCV/gender\u age\u weight\u recog/tarin.py”

第41行，在 data.append（fd+hist）ValueError:操作数无法与形状（11340，）（26，）一起广播

---

因此，有人能告诉我如何将两个特征合并为一个特征，然后训练支持向量机来实现这一点。

问题是您试图添加两个不同大小的数组。一个数组有11340个元素，另一个数组有26个元素。在存储这些值时，您应该更改逻辑，而不是将它们相加。

我发现了问题所在，可以简单地将numpy数组与任何形状相似的特征描述符堆叠在一起，如HOG和LBPH在灰度图像上工作，因此在这种情况下，

LBP生成的特征的深度，HOG将始终是一个，所以我们可以用numpy来叠加它们

    desc_hist = desc.describe(gray_img)
    hog_hist = hog(gray_img, orientations, pixels_per_cell, cells_per_block, 'L1', visualize, normalize)      
    feat = np.hstack([desc_hist, hog_hist])

但假设有人想要合并在3个通道上工作的hsv直方图
图像（RGB），然后它可以展平到1D阵列，然后可以
堆叠以拥有该功能

现在，所有这些都可以像往常一样堆叠起来

feat = np.hstack([desc_hist, hog_hist, td_hist])

+问题1。我的最爱也是如此，所以如果有新的答案出现，我可以跟进。我的建议是，如何为每个图像分配一个包含HOG和LBP直方图元组的列表，即；一个元组将包含每个图像的HOG和LBP直方图，所有这些元组都可以在一个列表中获取。是的，这是一个很好的元组，请尝试！
feat = np.hstack([desc_hist, hog_hist, td_hist])