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

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Harris角点检测、最小二乘拟合、RANSAC和HOG的图像拼接算法的matlab仿真，matlab2021a测试。 1.利用Harris角点检测算子找关键点 2.比较来自两幅不同图片的两组关键点，并且将它们匹配起来。 3.利用最小二乘法找到仿射变换矩阵将一幅图片上的点映射到另一幅图片上。 4.利用RANSAC算法估计一个更准确仿射变换矩阵。形成全景图片。

opencv_目标检测_OPENCV行人检测HOG+SVM检测视频中是否有人_HOG_SVM_行人检测_人体检测_VC++

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