代码注解详细，适合初学者读懂，压缩包内含两部程序，请仔细研读，OPENCV HOG特征+SVM分类器行人识别（从训练到识别）

HOG（Histogram of Oriented Gridients的简写）特征检测算法，最早是由法国研究员Dalal等在CVPR-2005上提出来的，一种解决人体目标检测的图像描述子，是一种用于表征图像局部梯度方向和梯度强度分布特性的描述符。其主要思想是：在边缘具体位置未知的情况下，边缘方向的分布也可以很好的表示行人目标的外形轮廓。 Dalal等提出的HOG+SVM算法，在进行行人检测取得了极大地成功后，更多新算法不断涌现，不过大都是以HOG+SVM的思路为主线。 HOG特征检测算法的几个步骤：颜色空间归一化—>梯度计算—>梯度方向直方图—>重叠块直方图归一化—>HOG特征。

实现数字识别，基于opencv2.3，首先读取训练样本，经过提取HOG特征，用SVM训练出分类器，保存分类器，进行预测识别。

使用Matlab通过HOG，SURF和CNN进行人脸识别 你好！ 由于数据敏感性，无法使用该项目的模型。 但是，可以通过将数据输入（照片文件夹），预处理已处理的图像（Faces和GrayFaces）来创建自己的模型，然后运行相关脚本来创建自己的模型。 这种脸部识别功能不仅适用于单个图像，而且适用于集体照，但请注意误报。 怎么跑 Matlab可以输出指数形式的值，因此请先运行“ format shortG”格式。 可处理的论点： 要使用SVM分类器RecogniseFace（“ I”，“ SURF”，“ SVM”）或RecogniseFace（“ I”，“ HOG”，“ SVM”）运行任何HOG / SURF，其中I是图像文件。 例如“ 1IMG_6820.png” 一个完整的论据是RecogniseFace（“ 1IMG_6820.png”，“ SURF”，“ SVM”）或Recog

项目环境：opencv==3.4.5       scikit-learn =>=0.20.2.     numpy == 1.17.4 参考博客：https://blog.csdn.net/qq_41562704/article/details/88975569 一、收集数据集 1、数据集图片的大小 300×300 2、获取上、下、左、右的手势，进行皮肤检测，将背景二值化 3、皮肤检测参考文章（https://blog.csdn.net/weixin_40893939/article/details/84527037） dataset.py # -*- coding: utf8 -*- #

自己训练SVM分类器进行HOG行人检测-附件资源

HOG+SVM行人检测 基于python和opencv编写的代码，应用经典的HOG+SVM算法实现行人检测。 目录说明： Negative：负样本数据集； Positive：正样本数据集； TestData：测试数据集； pedestran_detect.py：使用HOG+SVM进行训练+测试代码。 详细可参考我的博客：

资源为行人检测完整跑通代码，主要采用hog+svm进行实现，文件中包含各个代码的各个目录以及cmakelist等编译文件，训练图片较大以去除，训练图片下载及代码说明可参见博客：https://blog.csdn.net/yph001/article/details/83053475

% HOG特征提取------------ % 第1步：计算水平,竖直方向, 像素梯度矩阵：Ix、Ty % 第2步：计算image对应：angle,magnitude矩阵 % 第3步：遍历, 第1层遍历block, 第2层遍历cell, 第3层遍历pixel % 计算每个pixel直方图，直方图合并 % 第4步：L2-Norm归一化, 0.2截断, 再L2-Norm归一化 % LBP特征提取----------- % 第1步：灰度图转化 % 第2步：第1层-遍历像素点, 第2层-遍历八邻域 % 第3步：8位二进制特征，转化为1个十进制特征

行人检测特征提取_HOG和adaboost检测行人论文总结报告