利用hog提取特征输入到svm分类器中，适用于新手

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++

下载后，安装好版本匹配的python3.6,numpy,scipy,matplot,sklearn,skimage等包，后直接可以运行，无需修改代码。运行后输入y，就可以实习自带的图像分类（小鸡，小鸭，蛇，猫等分类）。

object_detection_hog_svm 使用HOG和SVM进行目标检测，主要代码来源于，可直接参考该仓库，本仓库仅仅为了自己的理解对文中代码进行阅读，后期加入定制的目标检测方法以及数据集。 基本思路 训练过程 准备一个数据集，包含pos（存在检测物体）和neg（不存在检测物体），这个数据集中的图像大小相同，比如（40, 100）高度x宽度，那么使用HOG检测子对数据集检测HOG特征，pos标记为正例样本，neg标记为负例样本，输入到SVM分类起进行训练，得到分类模型。 测试过程 输入一张图像，使用图像金字塔对图像进行下采样，每一个octave的图像进行滑窗操作，滑窗大小与训练数据集中的图像大小相同，比如（40, 100）高度x宽度，每一次滑窗后的图像提取HOG特征子，输入训练好的SVM分类器中进行预测，如果检测结果为正例样本，即pos存在检测物体，那么记录该检测结果，detect

HOG+SVM 使用说明： 上面的hog_svm.py是用于训练的，通过提取图片的hog特征，然后通过SVM进行训练得到model，最后通过model进行预测,将结果写入result.txt文件之中。 代码不难，大家根据需要自己改改。 不要将hog的参数设置的太复杂。不然提取的特征会非常大，然后训练的时候会占满内存，导致机器死机。

hog_svm采用Python实现训练，同时在训练的过程中提取hardexample进行进一步训练，获得了较为理想的效果，当然如果需要进一步优化还是有较大优化空间的。

这是利用opencv支持向量机SVM提取HOG梯度向量特征值来训练得到的车牌识别分类器

HOG提取特征，svm分类，python语言实现

基于HOG和SVM的行人检测 matlab平台