HOG3D 在vs2012环境下的 C++源码

Opencv21下svm+hog特征训练路面车辆检测与识别.zip资源matlab opencv运动目标检测程序资料Opencv21下svm+hog特征训练路面车辆检测与识别.zip资源matlab opencv运动目标检测程序资料Opencv21下svm+hog特征训练路面车辆检测与识别.zip资源matlab opencv运动目标检测程序资料Opencv21下svm+hog特征训练路面车辆检测与识别.zip资源matlab opencv运动目标检测程序资料 1.合个人学习技术做项目参考合个人学习技术做项目参考 2.适合学生做毕业设计项目参考适合学生做毕业设计项目参考 3.适合小团队开发项目技术参考适合小团队开发项目技术参考

猪 为骰子游戏Hog开发模拟器和多种策略 规则：在“生猪”中，两名玩家交替轮流尝试成为第一个以至少100点总分结束回合的玩家。 在每个回合中，当前玩家选择掷骰子的数量，最高为10。该玩家在该回合中的得分是骰子结果的总和。 但是，掷骰子过多的玩家可能会面临以下风险： 猪出。 如果任何骰子结果为1，则当前玩家的回合得分为1。示例在正常的《猪》游戏中，这些都是规则。 为了给游戏增添趣味，我们将包括一些特殊规则： 免费培根。 选择掷零骰子的玩家得分等于10减去对手得分的一位数字的值，再加上对手得分的十位数的值。 例子 野猪。 如果掷出的骰子数与上一回合得分的分数相差2倍（绝对差），则该回合可获得3分的额外分数。 将第一回合之前的回合得分为0分。 在计算上一回合计分的分数时，不要考虑任何先前的野猪奖金或猪交换（下一条规则）。 例子 猪交换。 在将回合点添加到当前玩家的分数之后，如果当前玩家分数的

提取HOG特征和LBP特征，使用SVM进行分类来进行检测

数字识别是扫描文档并将其转换为电子格式的过程中必不可少的元素。 在这项工作中，正在提出一种新的多像元大小（MCS）方法，以利用定向梯度直方图（HOG）特征和基于支持向量机（SVM）的分类器对手写数字进行有效分类。 基于HOG的技术对在相关特征提取计算中使用的像元大小选择很敏感。 因此，一种新的MCS方法已用于执行HOG分析和计算HOG功能。 该系统已经在基准MNIST手写数字基准数据库上进行了测试，使用独立测试集策略已达到99.36％的分类精度。 还使用10折交叉验证策略对分类系统进行了交叉验证分析，并且获得了10折分类精度为99.26％。 所提出的系统的分类性能优于使用复杂过程的现有技术，因为在特征空间和分类器空间中使用简单的操作已达到了同等或更好的结果。 该系统的混淆矩阵图和接收器工作特性（ROC）图显示了所提出的基于MCS HOG和SVM的新型数字分类系统的优越性能。

matla实现的行人检测，使用hog+adaboost的方法，内附程序运行时所需的大量训练及检测图片

hog特征提取matlab代码BacteriaImageProcess 这是为了我们的项目：分割细菌图像并识别该图像中的细菌种类。 从本质上讲，这是对细菌数据的深度学习应用程序。 我们在matlab中实现了卷积RBM，以完成我们的任务。 cdbn-github是使用卷积RBM进行无监督特征学习的代码，我们使用GMM / BMM进行初始化，这可以缩短训练过程。 在特征提取之后，我们利用liblinear工具箱进行监督分类。 我们项目的第一部分在cdbn文件夹中，在其中展开了所有代码，包括我编写的CRBM代码。 编写GMM来初始化第一层，使用BMM来进行第二层的初始化。 （请注意，初始化非常重要，有关更多详细信息，请参阅Sohn等人的论文：“有效学习稀疏，分布式，卷积特征表示以进行对象识别。” Aslo，要训练卷积深度信念网络，您可以进行分层预训练，这意味着首先训练第一层，训练后冻结第一层的参数，然后训练第二层....） 在第二部分中，我们尝试识别此图像中的细菌种类，因此我们手动标记前景斑块，并将其标记为17类，因为一些毗邻的斑块涉及物种和背景，因此我们也将它们考虑在内，因此，共有18个课

通过卫星影像进行船只检测 这是来自Kaggle的“的的船舶检测管道。 它使用滑动Windows +非最大压缩来进行对象检测，并使用HoG + SVM方法进行分类。 剧本 分类器 HoG + SVM分类器是使用数据集压缩文件中包含的信息以及以pickle格式存储的信息进行训练的。 python ship_clf.py 滑动窗物体检测 船舶检测器将一个窗口滑过图像金字塔，并将每个窗口分类为船舶还是非船舶，并返回一组边界框，这些边界框随后使用非最大压缩方案进行过滤。 python ship_detector.py

hog的代码matlab

在图像处理中，经常会用到hog特征的提取，通过本资料对HOG特征做了一下详细的介绍