针对传统HOG特征的行人检测方法中因遮挡及复杂环境存在较高漏检误检情况，建立了一种基于HOG和局部自相似（LSS）特征融合的行人检测算法。利用LSS反映图像内在几何布局和形状属性的特性，用主成分分析(PCA)将HOG和LSS两类特征在实数域降维，再将两种特征组合成新特征，结合线性SVM分类器进行行人检测。实验采用INRIA数据库和Daimler数据库作为训练集训练SVM，用730幅监控视频帧图片作测试集，将该方法与基于传统HOG特征的行人检测方法做对比，结果表明该方法平均漏检误检率降低16%，检测效果优于基于传统HOG特征的行人检测方法。

matlab的素描代码彩色GF-HoG 此存储库包含Matlab实现，如ICCV ws 2015论文中所述的定向渐变的颜色渐变场直方图（Color GF-HoG）。 GF-HoG实施 原来的 生长激素 如果仅处理黑白草图，请在BW文件夹下进行检查： des = ComputeGF('circle.png',0); 将为草图计算局部GF-HoG描述符。 如果输入图像，请将第二个参数更改为1。 此实现遵循Rui Hu和Stuart James的原始C代码（项目页面和），并进行了一些改进，在Flickr15K基准测试中达到了16.6％的mAP（带有反向索引的mAP达到了18.2％），如图5所示。 彩色GF-HoG实施 原来的 彩色GF-HoG可视化 如果您使用彩色草图，请检查以下颜色文件夹： [des_shape, des_color] = ComputeGF_colour('underground_sketch.png',0); 将为草图计算局部形状和颜色描述符。 对于图像，将第二个参数更改为1。 与纸张的不同之处在纸张中，亮度通道（L *）通过双S型函数传递，以将黑白图像与其余图像分开。

基于旋转不变HOG特征的图像匹配算法，汤彪，左峥嵘，图像匹配是目标检测问题中的一个非常重要的组成部分，HOG(Histogram of Oriented Gradient)特征因为能够对图像局部的几何和光学变化保持很好�

图像分类算法：第一张图像显示的是提取到的HOG特征，这个主要可以初步了解下特征是否选择的合适，不合适可以调节extractHOGFeatures里面的参数，如cellsize,blocksize,bins等，具体可以参考这个点击打开链接 http://cn.mathworks.com/help/vision/ref/extracthogfeatures.html?searchHighlight=extractHOGFeatures&s_tid=doc_srchtitle。本程序选择的默认参数，从图1可以预览到特征分别合适。

HOG特征 HOG(Histograms of Oriented Gradients)梯度方向直方图 通过利用梯度信息能反映图像目标的边缘信息并通过局部梯度的大小将图像局部的外观和形状特征化．在论文Histograms of Oriented Gradients for Human Detection中被提出． HOG特征的提取过程为: Gamma归一化； 计算梯度； 划分cell 组合成block，统计block直方图； 梯度直方图归一化； 收集HOG特征。 Gamma归一化: 对图像颜色进行Gamma归一化处理，降低局部阴影及背景因素的影响． 计算梯度: 通过差分计算出图像在水平方向上及垂

qt + opencv RGB活体识别程序demo，通过提取lbp和hog特征，训练人脸，可以判断出是手机图片和视频，打印图片，

基于HOG的行人检测，刚刚调试过，效果不错！

object_detection_hog_svm 使用HOG和SVM进行目标检测，主要代码来源于，可直接参考该仓库，本仓库仅仅为了自己的理解对文中代码进行阅读，后期加入定制的目标检测方法以及数据集。 基本思路 训练过程 准备一个数据集，包含pos（存在检测物体）和neg（不存在检测物体），这个数据集中的图像大小相同，比如（40, 100）高度x宽度，那么使用HOG检测子对数据集检测HOG特征，pos标记为正例样本，neg标记为负例样本，输入到SVM分类起进行训练，得到分类模型。 测试过程 输入一张图像，使用图像金字塔对图像进行下采样，每一个octave的图像进行滑窗操作，滑窗大小与训练数据集中的图像大小相同，比如（40, 100）高度x宽度，每一次滑窗后的图像提取HOG特征子，输入训练好的SVM分类器中进行预测，如果检测结果为正例样本，即pos存在检测物体，那么记录该检测结果，detect

HOG（方向梯度直方图）代码实现以及流程图.rar

行人检测在人工智能系统、车辆辅助驾驶系统和智能监控等领域具有重要的应用，是当前的研究热点.针对HOG特征不明显、支持向量机（SVM）分类器计算复杂度高，导致识别率低和检测速度慢的问题，本文提出了一种改进的基于增强型HOG的行人检测算法.该算法首先预处理原始图像并提取其HOG特征，然后增强该特征生成增强型HOG，经XGBoost分类器进行行人检测.在INRIA数据集上进行测试，实验结果表明所提算法识别率高达95.49%，有效地提高了行人检测性能.