开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

具有HOG特征的两类svm分类

HOG特征是一种用于图像识别和目标检测的特征描述方法，全称为Histogram of Oriented Gradients。它通过计算图像中局部区域的梯度方向直方图来表示图像的特征。HOG特征在计算机视觉领域中被广泛应用于行人检测、人脸识别、物体识别等任务。

HOG特征的分类方法之一是使用支持向量机（SVM）。SVM是一种常见的机器学习算法，用于二分类和多分类问题。它通过将数据映射到高维空间中，找到一个最优的超平面来实现分类。在使用HOG特征进行目标检测时，可以将提取到的HOG特征作为SVM的输入，训练一个分类器来判断目标是否存在。

HOG特征的优势在于它对光照、尺度变化等因素的鲁棒性较强，能够有效地描述目标的形状和纹理特征。同时，SVM作为分类器具有较高的准确性和泛化能力。

HOG特征的应用场景非常广泛。例如，在行人检测中，可以使用HOG特征结合SVM进行行人的识别和跟踪；在人脸识别中，可以使用HOG特征提取人脸的特征并进行分类；在物体识别中，可以使用HOG特征提取物体的形状和纹理特征。

腾讯云提供了一系列与图像处理和机器学习相关的产品和服务，可以用于支持HOG特征的提取和SVM分类器的训练。以下是一些推荐的腾讯云产品：

人工智能图像处理（https://cloud.tencent.com/product/aiimage）腾讯云的人工智能图像处理服务提供了丰富的图像处理功能，包括图像识别、图像分析、图像增强等，可以用于支持HOG特征的提取和预处理。
机器学习平台（https://cloud.tencent.com/product/tiia）腾讯云的机器学习平台提供了强大的机器学习算法和模型训练工具，可以用于训练SVM分类器和优化HOG特征的提取过程。
人脸识别（https://cloud.tencent.com/product/fr）腾讯云的人脸识别服务提供了高精度的人脸检测和识别功能，可以用于支持基于HOG特征的人脸识别应用。

请注意，以上推荐的腾讯云产品仅供参考，具体选择应根据实际需求和项目要求进行评估和决策。

相关搜索:比较不带SVM的HOG特征向量基于HOG特征的支持向量机车辆分类 SVM分类中的特征选择--怪异行为具有分类特征的线性回归分析 HOG + SVM实现没有找到正确的面数如何在Matlab中显示具有多种特征的SVM图对同时具有连续和分类特征的数据进行特征选择？用于10cv SVM回归的sklearn中的分类(字符串)特征如何添加具有分类特征的辅助x轴？训练具有不同颜色特征的深度分类模型基于SVM分类器的分类点打印方法具有实值特征的斯坦福分类器如何使用线性支持向量机(SVM)分类器确定最重要/最有信息的特征使用多特征的支持向量机(SVM)训练从非常简单的scikit-learn SVM分类器中获取最具信息量的特征使用HOG描述符和理解python代码的SVM进行行人检测 Pythonic的分类特征标注方法用于分类的连续测量的特征 softmax、logistic和svm之间的“分类”有什么不同？这个代码的错误是什么(CNN和SVM分类)

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

opencv︱opencv中实现行人检测：HOG+SVM（二）

2016年张姗姗等人从分析的角度对各个工作进行总结和归纳。通过分析错误案例来找到错误来源，并提出相应的解决方案以进一步提高检测率。研究发现，在高层级中主要有两类错误，分别是定位错误和背景分类错误。可以尝试两个解决方案，其一是针对检测框对齐性比较差这一现象，可以通过使用对齐性更好的训练样本标签来解决；而针对模型判别能力比较差的问题，可以通过在传统的 ICF 模型上使用 CNN 进行重新打分来提升检测的性能。

03

【SIGAI综述】行人检测算法

行人检测是计算机视觉中的经典问题，也是长期以来难以解决的问题。和人脸检测问题相比，由于人体的姿态复杂，变形更大，附着物和遮挡等问题更严重，因此准确的检测处于各种场景下的行人具有很大的难度。在本文中，将为大家回顾行人检测算法的发展历程。

02

C++ OpenCV SVM实战Kindle检测（一）----训练数据

最近也是在接触机器学习，通过做了几个MLNET的例子对机器学习有了一点了解，OpenCV中也有机器学习这块，所以我们就直接来用Kindle做一个实战。

04

学习KNN（一）图像分类与KNN原理

本文介绍了KNN算法在图像分类问题中的应用，并分析了KNN算法在处理图像分类问题时所遇到的问题。针对这些问题，文章提出了各种改进的算法，包括如何解决样本不平衡问题，如何提高分类效率等。

07

综述行人检测算法

行人检测( Pedestrian Detection)一直是计算机视觉研究中的热点和难点。行人检测要解决的问题是：找出图像或视频帧中所有的行人，包括位置和大小，一般用矩形框表示，和人脸检测类似，这也是典型的目标检测问题。

04

【SIGAI综述】行人检测算法

行人检测是计算机视觉中的经典问题，也是长期以来难以解决的问题。和人脸检测问题相比，由于人体的姿态复杂，变形更大，附着物和遮挡等问题更严重，因此准确的检测处于各种场景下的行人具有很大的难度。在本文中，SIGAI将为大家回顾行人检测算法的发展历程。

02

20年的目标检测大综述（章节3）

今天，“计算机视觉战队”给大家继续分享目标检测综述，今天主要说说目标检测算法的快速发展。

01

综述三 | 最全的目标检测大综述（附下载链接）

加速目标检测一直是一个重要而又具有挑战性的问题。在过去的20年里，目标检测领域已经发展了复杂的加速技术。这些技术大致可以分为 “ 检测管道提速 ”、“ 检测引擎提速 ” 和 “ 数值计算提速 ” 三个层次，如下图所示。

02

DPM目标检测算法

DPM算法由Felzenszwalb于2008年提出，是一种基于部件的检测方法，对目标的形变具有很强的鲁棒性。目前DPM已成为众多分类、分割、姿态估计等算法的核心部分，Felzenszwalb本人也因此被VOC授予"终身成就奖"。

04

快乐学AI系列——计算机视觉（5）图像分类和识别

传统图像分类算法的两种方法：SIFT特征+KNN分类器和HOG特征+SVM分类器。

02

基于深度学习的图像目标检测（上）

本文介绍了如何从单张图像中预测出多个物体的边界框和类别，并分析了在预测过程中各种因素对结果的影响。同时，文章还对一系列现有方法进行了评估和比较，并提供了改进方向。

09

算法工程师的面试难不难，如何准备？-图像处理/CV/ML/DL到HR面总结

把一些相关的知识点总结一下。这个比长，感兴趣的挑自己相关的那部分看。都是一些基础知识，面相关岗位问到的比较多。（回答时对算法要有一定的见解，最好不要照书上的背）（一）机器学习方面 SVM 1、支撑平面---和支持向量相交的平面；；；分割平面---支撑平面中间的平面（最优分类平面） 2、 SVM不是定义损失，而是定义支持向量之间的距离à目标函数看PPT13~17页 3、正则化参数对支持向量数的影响 LR 1、 LR的形式：h(x)=g(f(x))；其中x为原

05

SVM算法在项目实践中的应用！

HOG（Histogram of Oriented Gradients）HOG特征在对象检测与模式匹配中是一种常见的特征提取技术（深度学习之前），是基于本地像素块进行特征直方图提取的一种算法，对像局部的变形与光照影响有很好的稳定性，最初是用HOG特征来识别人像，通过HOG特征提取+SVM训练，可以得到很好的效果，OpenCV已经有相应的接口。

01

Dog Face Recognition

采用PCA狗脸识别的方法完成下面的实验。图像特征可以采用灰度像素值、颜色直方图等。

02

手把手教你搭建目标检测器-附代码

翻译：刘威威编辑：祝鑫泉前言本文译自：[http://www.hackevolve.com/create-your-own-object-detector/](http://www.hackevolve.com/create-your-own-object-detector/ ) 手动搭建属于自己的目标检测器现在已经不是一个很难的事情，比较常见的方法有Haarcascades 和HOG+SVM，后者在精度上优于前者，此篇文章中，将详细介绍如何使用HOG+SVM搭

02

手把手教你搭建目标检测器-附代码

翻译：刘威威编辑：祝鑫泉前言本文译自：[http://www.hackevolve.com/create-your-own-object-detector/](http://www.hackevolve.com/create-your-own-object-detector/ ) 手动搭建属于自己的目标检测器现在已经不是一个很难的事情，比较常见的方法有Haarcascades 和HOG+SVM，后者在精度上优于前者，此篇文章中，将详细介绍如何使用HOG+SVM搭

04

手把手教你创建自己的object detector

本文译自：http://www.hackevolve.com/create-your-own-object-detector/

01

目标检测的图像特征提取之（一）HOG特征

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。

00

HOG特征（Histogram of Gradient）学习总结

最近在做的项目有用到HOG+SVM这一方面的知识，参考相关论文和网上一些博文在此对HOG特征进行下总结。

03

HOG原理与OpenCV实现

方向梯度直方图（Histogram of Oriented Gradient, HOG）于2005年提出，是一种常用的特征提取方法，HOG+SVM在行人检测中有着优异的效果。

05

Histograms of Oriented Gradients for Human Detection

以基于线性SVM的人体检测为例，研究了鲁棒视觉目标识别的特征集问题。在回顾了现有的基于边缘和梯度的描述符之后，我们通过实验证明了方向梯度(HOG)描述符的直方图网格在人类检测方面明显优于现有的特征集。我们研究了计算的各个阶段对性能的影响，得出结论:在重叠描述符块中，细尺度梯度、细方向边距、相对粗的空间边距和高质量的局部对比度归一化都是获得良好结果的重要因素。新方法在原有MIT行人数据库的基础上实现了近乎完美的分离，因此我们引入了一个更具挑战性的数据集，其中包含1800多张带注释的人类图像，具有大范围的姿态变化和背景。

04

基于支持向量机的手写数字识别详解（MATLAB GUI代码，提供手写板）

摘要：本文详细介绍如何利用MATLAB实现手写数字的识别，其中特征提取过程采用方向梯度直方图（HOG）特征，分类过程采用性能优异的支持向量机（SVM）算法，训练测试数据集为学术及工程上常用的MNIST手写数字数据集，博主为SVM设置了合适的核函数，最终的测试准确率达99%的较高水平。根据训练得到的模型，利用MATLAB GUI工具设计了可以手写输入或读取图片进行识别的系统界面，同时可视化图片处理过程及识别结果。本套代码集成了众多机器学习的基础技术，适用性极强（用户可修改图片文件夹实现自定义数据集训练），相信会是一个非常好的学习Demo。本博文目录如下：

05

A Discriminatively Trained, Multiscale, Deformable Part Model

本文提出了一种训练有素、多尺度、可变形的目标检测零件模型。在2006年PASCAL人员检测挑战赛中，我们的系统在平均精度上比最佳性能提高了两倍。在2007年的挑战赛中，它在20个类别中的10个项目中都取得了优异的成绩。该系统严重依赖于可变形部件。虽然可变形部件模型已经变得相当流行，但它们的价值还没有在PASCAL挑战等困难的基准测试中得到证明。我们的系统还严重依赖于新方法的甄别培训。我们将边缘敏感的数据挖掘方法与一种形式主义相结合，我们称之为潜在支持向量机。隐式支持向量机与隐式CRF一样，存在非凸训练问题。然而，潜在SVM是半凸的，一旦为正例指定了潜在信息，训练问题就变成了凸的。我们相信，我们的训练方法最终将使更多的潜在信息的有效利用成为可能，如层次(语法)模型和涉及潜在三维姿态的模型。

04

Color exploitation in HOG-based traffic sign detection

我们在一个具有挑战性的大规模真实全景图像数据集上研究交通标志检测。核心处理是基于HOG (Histogram of Oriented Gradients)算法，该算法通过在特征向量中加入颜色信息进行扩展。颜色空间的选择对性能有很大的影响，其中我们发现CIELab和YCbCr颜色空间给出了最好的结果。颜色的使用显著提高了检测性能。我们比较了特定算法和HOG算法的性能，并表明HOG在大多数情况下比特定算法的性能高出数十个百分点。此外，我们提出了一种新的迭代支持向量机训练范式来处理背景外观的大变化。这减少了内存消耗，提高了后台信息的利用率。

01

HOG 特征

✔️ 为了提高检测器对关照等干扰因素的鲁棒性，需要对图像进行Gamma矫正，完成对整个图像的归一化，调整对比度，降低噪声影响；

01

Rich feature hierarchies for accurate object detection and semantic segmentation

在PASCAL VOC标准数据集上测量的目标检测性能在最近几年趋于稳定。性能最好的方法是复杂的集成系统，它通常将多个低层图像特性与高层上下文结合起来。在本文中，我们提出了一种简单、可扩展的检测算法，相对于之前VOC 2012的最佳检测结果，平均平均精度(mAP)提高了30%以上，达到了53.3%。我们的方法结合了两个关键的方法：(1)为了定位和分割目标，可以一次将高容量应用卷积神经网络(cnn)自下而上的区域建议(2)标记的训练数据稀缺时，监督为辅助训练的任务，其次是特定于域的微调,收益率显著的性能提升。由于我们将区域建议与CNNs相结合，我们将我们的方法称为R-CNN:具有CNN特性的区域。我们还将R-CNN与OverFeat进行了比较，OverFeat是最近提出的一种基于类似CNN架构的滑动窗口检测器。在200类ILSVRC2013检测数据集上，我们发现R-CNN比OverFeat有较大的优势。

02

关于目标检测鼻祖R-CNN论文

R-CNN系列论文是使用深度学习进行物体检测的鼻祖论文，其中fast-RCNN 以及faster-RCNN都是沿袭R-CNN的思路。R-CNN全称region with CNN features，其实它的名字就是一个很好的解释。用CNN提取出Region Proposals中的featues，然后进行SVM分类与bbox的回归

03

Object Detection R-CNN

3788字13图，预计阅读需要23分钟红色华诞68周年 National Day of the People's Republic of China 作者：张旭编辑：李文臣 R-CNN

HOG特征详解与行人检测

HOG(Histogram of Oriented Gradient)特征在对象检测与模式匹配中是一种常见的特征提取算法，是基于本地像素块进行特征直方图提取的一种算法，对象局部的变形与光照影响有很好的稳定性，最初是用HOG特征来来识别人像，通过HOG特征提取+SVM训练，可以得到很好的效果，OpenCV已经有了。HOG特征提取的大致流程如下：

02

【计算机视觉——RCNN目标检测系列】四、R-CNN论文详解

在上一篇博客：【计算机视觉——RCNN目标检测系列】三、IoU与非极大抑制主要讲解了IoU与非极大抑制相关概念与python实现，接下来在这篇博客中主要讲解了R-CNN论文中模型结构及其相关技术细节。

01

读RCNN论文笔记

1. RCNN的模型（如下图）描述: RCNN相比传统的物体检测，还是引入传统的物体检测的基本流程，先找出候选目标物体，逐个的提取特征，不过rbg大神引入了当时炙手可热的CN

06

目标检测资源总结

blog.csdn.net/l7H9JA4/article/details/79620247

03

【模式识别】SVM实现人脸表情分类

本文是模式识别课程关于支持向量机（SVM）算法的课程设计，根据人脸的面部特征，通过SVM算法将表情分为7类。本文的jupyter文件和数据集下载地址： https://download.csdn.net/download/qq1198768105/66912662

02

OpenCV与图像处理（十）

图像处理是利用计算机对图像进行去噪、增强、复原、重建、编码、压缩、几何变换、分割，提取特征等的理论、方法和技术。图像处理中，输入的是低质量的图像，输出的是改善质量后的图像。

02

C++ OpenCV特征提取之HOG特征提取(自带行人检测调用)

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。

02

DIY自动分类“错题集”：一种基于视觉词汇的文本分类法

作者：曹阳敏万达网络科技 | 资深研发经理量子位已获授权编辑发布转载请联系原作者一年多以前我脑子一热，想做一款移动应用：一款给学生朋友用的“错题集”应用，可以将错题拍照，记录图像的同时，还能自动分类。比如拍个题目，应用会把它自动分类为”物理/力学/曲线运动”。当然，这个项目其实不靠谱，市场上已经有太多“搜题”类应用了。但过程很有趣，导致我过了一年多，清理磁盘垃圾时，还舍不得删掉这个项目的“成果”，所以干脆回收利用一下，写篇文章圈圈粉。源码地址： https://github.com/caoym

05

【Dev Club 分享】深度学习在 OCR 中的应用

Dev Club 是一个交流移动开发技术，结交朋友，扩展人脉的社群，成员都是经过审核的移动开发工程师。每周都会举行嘉宾分享，话题讨论等活动。本期，我们邀请了腾讯 TEG 技术工程师“文亚飞”，为大家分享《深度学习在OCR中的应用》。下面是分享实录整理： ---- 大家好，我是文亚飞，来自腾讯TEG，目前负责图像识别相关的工作。OCR（光学字符识别）旨在从图片中检测和识别文字信息，本次分享将介绍我们在OCR技术研发过程中的一些方法和经验总结。一，OCR背景及基本框架介绍 OCR技术从上世纪60年代就开

08

Object Detection系列（一） R-CNN

本文介绍了R-CNN的目标检测算法，包括其背景、原理、优缺点以及改进。R-CNN在目标检测领域具有划时代的意义，但其训练和测试时间较长，且需要手动设计区域候选框。针对这些缺陷，后续算法进行了改进，使目标检测性能得到进一步提升。

06

深度学习目标检测(object detection)系列（一） R-CNN

版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/chaipp0607/article/details/78112861

03

Python实现校园卡目标检测与文字识别系统

引言：本项目主要从两方面出发，一是搭建目标检测系统，利用hog+svm的方法，从网络摄像头读取数据，目标检测找出校园卡的位置；二是在找到校园卡位置后，保存下单独校园卡图片，然后进行图像处理，找到关键文字位置，利用百度文字识别进行提取文字信息。

01

目标检测1: 目标检测20年综述之(一)

本文是目标检测方向的第一篇，目标检测是当前个人最熟悉的任务之一，这是很久之前在知乎专栏写的文章，曾经被多个公众号转载，但是因为一些客观原因，无意中注销了知乎。在分享目标检测相关的总结之前，先介绍一下目标检测任务很有必要，而了解一个任务最简单的方式就是通过综述，所以重新展示一下该篇。

02

AI综述专栏 | 图像物体分类与检测算法综述

本文作者黄凯奇，研究员，博士生导师。获国家自然科学优秀青年基金，国家万人计划“青年拔尖人才”获得者，北京市科技新星。在智能视觉监控及行为理解方面的研究获得第十二届中国发明专利优秀奖和国家技术进步二等奖。作者任伟强，中科院自动化所博士。作者谭铁牛，中国科学院院士、英国皇家工程院外籍院士、发展中国家科学院院士和巴西科学院通讯院士。中国科学院自动化研究所研究员、博士生导师、智能感知与计算研究中心主任。

01

视觉目标检测和识别之过去，现在及可能

作者：李习华知乎专栏：碧空的cv之旅量子位已获授权编辑发布计算机视觉中目标检测、跟踪、识别是最基本的几个task，尤其又以检测最为重要和基础。同时基本上所有的检测任务都需要在给出物体的bounding box之后，给出物体的类别（也就是给识别物体），所以文章中不区分检测和识别任务。笔者从事计算机视觉中目标检测相关的工作还比较多，将自己看到的，学到的，以及相关的一些理解总结如下。帮助自己进行梳理，也希望对后来者有帮助。我大致将目前学术及和工业界出现的目标检测算法分成3类：传统的目标检测算法：Cas

07

如何用OpenCV在Python中实现人脸检测

本教程将介绍如何使用 OpenCV 和 Dlib 在 Python 中创建和运行人脸检测算法。同时还将添加一些功能，以同时检测多个面部的眼睛和嘴巴。本文介绍了人脸检测的最基本实现，包括级联分类器、HOG 窗口和深度学习 CNN。

02

Histogram of Oriented Gridients(HOG) 方向梯度直方图

作者张旭编辑徐松 1. HOG简介 2. 数字图像梯度定义 3. HOG基本步骤 4. OpenCV实现HOG 5. 用KNN与HOG实现一个手写数字输入识别 1. HOG简介方向梯度直方图（Histogram of Oriented Gradient, HOG）于2005年提出，是一种常用的特征提取方法，且HOG+SVM的方式在行人检测中有着优异的效果。经典的论文为《Histograms of oriented gradients for human detection》，这篇文章中，HOG就是

05

如何用OpenCV在Python中实现人脸检测

https://github.com/maelfabien/Machine_Learning_Tutorials

03

[Intensive Reading]目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

03

机器学习在自动驾驶方面的应用

概要：不同的自动驾驶算法。来源：雷锋网将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类，都要用到机器学习。本文中，我们讲解了不同的自动驾驶算法。自动驾驶汽车的设计制造面临着诸多挑战，如今，各大公司已经广泛采用机器学习寻找相应的解决方案。汽车中的ECU（电子控制单元）已经整合了传感器数据处理，如何充分利用机器学习完成新的任务，变得至关重要。潜在的应用包括将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类。这些传感器包括像激光雷达，雷达，摄像头或者是物联网。车载

04

OpenCV与图像处理（六）

本章节的主要内容是：基于Python和OpenCV编写HOG+SVM算法实现行人检测。

02

CV学习笔记(二十七)：活体检测总结①

在一些业务需要中，需要识别场景中的用户是否为"真人"，因此需要活体检测技术，这篇文章将针对当前行业中的活体检测技术进行总结。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭