介绍了车牌图像的预处理方法，包括图像的灰度化处理，中值滤波，基于直方图均衡化的光影处理，图像增强处理以及图像锐化等多个方面。最后介绍了基于颜色模型的车牌定位算法，并结合图像校正计算获得了标准的车牌区域。通过一种改进的基于形态学轮廓特征和垂直映射的字符切割算法对提取的车牌图像进行字符分割，然后对分割后单个字符提取HOG特征，最后通过GRNN神经网络根据字符的HOG特征进行车牌识别。MATLAB仿真结果表明，本文所研究的车牌识别方法具有较高的识别正确率，其正确率可以达到90%以上。

基于HOG算子的特征提取方法的MATLAB仿真，matlab2021a测试。 for j=1:ny%行 for i=1:nx%列 Ltop=G(((j-1)*n+1):j*n,((i-1)*n+1):i*n);%%左上cell Lbottom=G((j*n+1):(j+1)*n,((i-1)*n+1):i*n);%%左下cell Rtop=G(((j-1)*n+1):j*n,(i*n+1):(i+1)*n);%%右上cell Rbottom=G((j*n+1):(j+1)*n,(i*n+1):(i+1)*n);%%右下cell，四个cell组成一个block pltop=anna_phog(Ltop,9,180); plbottom=anna_phog(Lbottom,9,180); prtop=anna_phog(Rtop,9,180); prbottom=anna_phog(Rbottom,9,180);

基于HOG+SVM的行人检测算法实现代码和设计报告

人工智能导论课作业，像分类，指在给定的类别中，选出与该图像匹配的类别作为输入的图像处理方法。支持向量机(SVM)是一种以统计学习理论为基础的用来解决二分类问题的机器学习方法。SVM是结构风险最小化模型，较好的解决了数量较小时过拟合问题，能有效提高模型的泛化能力。在解决小样本、非线性及高维模式识别问题中,表现出许多特有的优势。本次实验使用的是自己提出的一个关于路面裂缝的crack数据集，为提升实验效果，先提取图像HOG特征，再利用SVM来进行分类训练，以识别图片中是否存在裂缝。本文设计了完整的HOG+SVM识别算法,使用自己提出的crack数据集进行了实验测试。

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。

基于HOG的行人检测，刚刚调试过，效果不错！

用于在MATLAB平台上求基于hog特征的行人检测算法时，求hog特征的代码

1.准备训练样本；2.对样本进行Hog+Svm的训练；3.运用test图片进行预测

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。

基于HOG+SVM行人检测，有训练好的文件，也有训练的过程，精读的话一般般，提供一种检测的思路