基于python的使用HOG与线性SVM作为分类器的目标检测算法设计与实现

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

HOG+SVM+PCA 用于行人检测，，内含有HOG提取代码C++实现的

ppt对应的代码见：https://download.csdn.net/download/u012104922/10003172

hog svm matlab代码二维码检测-hog-svm-matlab

本期做的是基于python的hog+svm机器学习实现目标检测。 算法部分 本次是基于python的hog+svm实现目标检测，是对草莓的识别。 数据集放在“data”文件夹下 “data”下的子文件夹有几个子文件夹就是几分类。 代码依次运行 python 01svm_train.py 会在weights文件夹生成模型 python 02detect_photo.py 会调用模型，通过hog+nms对单张图片实现目标检测 需要查看其他代码的可看b站视频演示： https://space.bilibili.com/124080712?spm_id_from=333.1007.0.0 其他小项目完整代码： https://blog.csdn.net/qq_34904125?type=download

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%。

HOG_Zedboard FPGA上定向梯度嵌入的实时直方图 所用板：Zedboard Vivado版本：2016.04 项目简介：在此项目中，实时实现了“定向梯度直方图”行人检测算法的实现。 我们通过Vivado HLS设计了硬件加速器，以减少HOG提取和分类的计算时间。 此外，我们已经实现了一个在Petalinux上运行的具有Ubuntu映像的嵌入式应用程序，该映像可以从连接到Zedboard的网络摄像头捕获帧，控制和监视加速器，并将检测到的图像呈现到VGA监视器。 存档描述（说明目录结构，文档和源文件）： Hog_HLS：Vivado_HLS项目 Hog_System_Zynq：Vivado项目 硬件：比特流，硬件描述文件和内核配置文件（以防某人想从头开始构建一个新的petalinux项目） ip：加速器和第三方显示控制器IP sd_image：从以下 下载BOOT和r

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。

用jaffe数据集，只分了三类。hog用matlab现成的代码提的，svm调通的别人的C++程序。最后出来效果不怎么好，可能训练数据有点少。有需要的下载。平台vs2017