基于深度卷积特征和HOG特征融合的管道病害识别算法，杨东，杨峰，提出一种利用预训练VGGNet提取的图像特征和HOG特征融合，采用多类SVM识别管道病害的方法。本文利用迁移学习和特征融合的策略，在小样

【人脸识别】基于HOG特征KNN算法实现人脸识别matlab源码.md

HOG(Histograms of Oriented Gradients)空间梯度直方图方面的几篇优秀外文资料,都是05，06最新的

行业分类-物理装置-基于多尺度HOG特征和深层特征的合成素描人脸识别方法.zip

通过图像HOG特征提取描述和SVM线性分类器的训练学习，得到对自定义对象的检测模型。内含两个自定义对象的正负样本图像和测试图像可供测试。

【Machine Learning】【Python】一、HoG + SVM 物体分类 ---- 《SVM物体分类和定位检测》-附件资源

模仿mnist数据集制作自己的数据集代码。HOG+SVM，深度学习，识别中采用的数据集。可以适用多个平台，声明本代码在OPENCV3.3和VS2017测试通过。

用首次训练获得的SVM在负样本原图上检测HardExample并保存为文件。 使用时请自行修改工程的include目录和lib目录配置。

Histograms of Oriented Gradients for Human Detection，HOG，梯度方向直方图

SVM分类检测（Python2.7） HoG，PCA，PSO，硬负开采，滑动窗口，NMS 最好的检测方法是： HoG（功能）-> PCA（较少功能）+ PSO（最佳C＆gamma）->原点SVM-> HNM（更多功能）->更好的SVM-> SW-> NMS（bbox回归） 对不起，我很懒惰。 我认为我应该澄清该程序的步骤。 提取HoG功能（脚本1） 训练PSO的初始模型（脚本2） 进行pca和pso以获得更好的参数C和伽玛（脚本6） 使用no-pca功能和最佳参数来训练第二个模型（脚本2） 为了提高精度，请使用第二个模型进行hnm并获得最终模型（脚本7） 最后，选择您要进行定位的算法（脚本8或9或10） PS： 我使用pca的原因是为了加快pso的速度。 老实说，pso真的很慢。 对于第4步，您也可以使用由pca处理的功能，但是我强烈建议您尽可能保留更多功能。