ND大神的hog论文，包括其2005年的cvpr，Histograms ofOriented Gradients for Human Detection和其博士毕业论文，Finding People in Images and Videos，150页，绝对是行人检测研究者的必看资料，你值得拥有

利用hog+svm训练识别模板，内附详细的代码说明

Traffic_sign_recognition：使用定向梯度直方图（HOG）和基于色域的功能识别交通标志。 支持向量机（SVM）用于对图像进行分类

SVM_Train_Predict_HOG CropNegativeSampleFromImage OPENCV HOG特征-SVM分类器行人识别（从训练到识别）

提出了一种基于HOG-LBP特征融合的人体头肩检测方法，其要点是将人体头肩图像等分为多个部分重叠的块，从每个块内提取HOG和LBP特征并加以融合，以得到更有效的人体头肩的边缘轮廓和纹理特征，融合后的特征送入支持向量机SVM（Support Vector Machine）通过Bootstrapping的方式进行训练，得到最终的判别模型。实验结果表明，该方法的检测效果优于基于单一HOG、LBP特征的方法。

hog特征提取matlab代码LADCF-No.1公开数据集上的算法 VOT2018的代码，“通过时间一致性来保留空间特征选择以学习健壮的视觉，学习自适应判别相关滤波器（LADCF）” @article {xu2018learning，title = {通过时间一致性来学习自适应判别相关过滤器，以进行鲁棒的视觉跟踪，保留空间特征选择}，作者= {徐天阳和冯锋，振华和吴刚，小俊和基特勒，约瑟夫}， journal = {arXiv预印本arXiv：1807.11348}，年份= {2018}} 原始纸张的跟踪代码可以为。 LADCF Tracker for VOT2018的说明： 在低维流形上学习自适应判别相关滤波器（LADCF）利用自适应空间正则化器来训练低维判别相关滤波器。 我们遵循单帧学习和更新策略：在跟踪阶段之后学习过滤器，然后使用固定速率进行更新[1]。 我们使用HOG [2]，CN [3]和ResNet-50 [4]作为我们的功能。 对于较深的特征，我们使用模糊（2个高斯滤波器），旋转（-30，-20，-10、10、20、30）和翻转（水平）来增强训练数据。[5] 代码模块在

Sliding-Window-Face-Detection-Based-on-HOG-features-and-SVM-Classifier Update: data数据百度网盘 链接： 提取码：0amu 复制这段内容后打开百度网盘手机App，操作更方便哦--来自百度网盘超级会员V4的分享 Update: vlfeat库 链接： 提取码：p31i 复制这段内容后打开百度网盘手机App，操作更方便哦--来自百度网盘超级会员V4的分享 注意： 进行该实验前需要安装vlfeat库，安装方法为： a）下载 VLFeat 的安装包在其解压到任意目录下。 b）在 matlab 中新建 startup.m 文件 c）在 startup.m 文件中输入 run('......\vlfeat-0.9.21\toolbox\vl_setup')并运行，即可安装 d）在 matlab 命令行中输入 vl_ver

定向直方图HOG：此算法计算图像局部区域中梯度方向的出现并在图像中可视化

基于python的行人检测svm hog，参考链接：https://blog.csdn.net/babyai996/article/details/117220250

[2005 CVPR] Histograms of Oriented Gradients for Human Detection 用于人体检测的方向梯度直方图 Navneet Dalal，Bill Triggs