利用pycharm自带的opencv插件，编写好python代码，用SVM+HOG进行机器学习，能对一段视频进行行人检测

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）

yolov5行人识别 qt 鼠标检测 绘制区域 检测超界系统 视频:https://live.csdn.net/v/164262

为了避免人与物体之间相互遮挡，对小目标检测不准确，以及复杂光照强度对行人 检测的影响，针对这一问题，提出了一种多尺度聚类卷积神经网络 MK-YOLOv3 算法，来实现对行人的识别与检测。该算法是对 YOLOV3 进行改进，首先通过简单聚类对图像特征进行提取，得到相应的特征图，再通过抽样 K-means 聚类算法结合核函数确定锚点位置，以达到更好的聚类。针对小目标的浅层特征信息进行多尺度融合，提高小目标的检测效果。仿真结果验证了该算法在 VOC 数据集上对小目标识别的精度和速度上有较大提高，以及视频智能分析中有较高的召回率和精确度。

基于SVG和HOG的行人识别算法，是在matlab中实现，有完整的代码，解析，结题PPT。Optimize是多尺度变宽高比方法 MainCode就是固定宽高比多尺度方法 这两个是主函数，首次运行时，把第一行的TrainHogFeatureWithSVM取消掉。

提取给定视频的背景，并根据此背景将视频中的运动物体提取出来，包括两个工程的处理

课题为利用MATLAB的做差法，求出测试图和背景图的人体轮廓，根据人体的躺下，坐下，站立的时候最外接矩形的长宽来判断是什么姿态。带GUI界面。算法是差影法，理解起来很容易。

方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。 本文提供详细讲述和完整算法代码

一段行人识别的video，非常好的资源，适用于opencv做行人识别

本人课程作业，直接运行Optimize.m即可进行测试。其中除了SVM部分利用Matlab现有库，其余皆为自己编写的程序，由于预选框采用变尺度滑动，所以运行会比较慢，请谅解。