此代码可以直接实现HOG特征的提取，经测试可以运行放心使用

在财务领域，纸质报表向电子报表的转换需要大量的人工和时间成本。本文探究了纸质财务报表的自动识别过程，通过预处理、表头和表格区域的分割提取、单元格分割、字符提取与识别、表格还原等过程实现报表图片的转换，在实现报表信息便捷存储和查询的同时，也克服了人工录入的低效率、高成本等缺点。实验结果表明，该算法能有效实现图像的倾斜校正，且无需设置提示框限定拍摄范围；能有效分割表格格式的字符，其准确率为99.3%，无需手动框选待识别字符；字符识别准确率为93.7%，其中数字识别的准确率为97.8%，总体字符识别准确率相较Tesseract提升了8.1%。

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。

针对实际监控中人体目标轮廓的多尺度特性，提出一种用于人体目标检测的多尺度方向特征描述子(HOGG)。首先采用Gabor滤波器提取人体图像对应不同尺度、不同方向的多个Gabor幅值域图谱，然后将相同尺度不同方向的幅值域图谱融合以降低特征维数，并对每幅融合图像提取梯度方向直方图(HOG)特征，最后将这些HOG特征联合起来作为人体图像表征。利用支持向量机(SVM)对描述特征进行分类，在CAVIAR数据库中进行了实验，结果表明，该算法对人体目标检测具有较好的性能。

1.标准化gamma空间和颜色空间 为了减少光照因素的影响，首先需要将整个图像进行规范化。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。因为颜色信息作用不大，通常先转化为灰度图 Gamma压缩公式： 比如可以取Gamma=1/2

按照惯例，先吐槽：Emgu.CV的资料太少了，不知道是不是C#做图形的太小众。因为项目需要，需要对图片中的车辆进行标定。于是想到了HOG+SVM的方式。在Emgu.CV中默认提供了已经训练好的行人检测的特征，但是如果要检测其他物体，必须自己进行训练。于是在网上一通寻找，居然没有完整的代码，没办法，只有苦逼的自己动手。弄了整整一天，终于实现。应该是目前网络上比较详细的一篇EMGU.CV自行训练的文章了，大家如要转载请保留作者信息

HOG特征提取，以通过测试，希望对大家能够有所帮助。

识别动态视频里面的车辆_用的是hog特征_车辆识别_动态视频处理_VC++

Opencv21下svm+hog特征训练路面车辆检测与识别_车辆检测_SCM_HOG_路面车辆识别_VC++

Opencv21下svm+hog特征训练路面车辆检测与识别.rar