hog特征

# -*- coding: utf-8 -*- """ Created on Mon Sep 24 18:23:04 2018 @author: zy """ # 代码来源GitHub:https://github.com/PENGZhaoqing/Hog-feature # https://blog.csdn.net/ppp8300885/article/details/71078555 # https://www.leiphone.com/news/201708/ZKsGd2JRKr766wEd.html import cv2 import numpy as np import math import matplotlib.pyplot as plt class Hog_descriptor(): ''' HOG描述符的实现 ''' def __init__(self, img, cell_size=8, bin_size=36): ''' 构造函数 默认参数，一个block由2x2个cell组成，步长为1个cell大小 args: img：输入图像(更准确的说是检测窗口)，这里要求为灰度图像 对于行人检测图像大小一般为128x64 即是输入图像上的一小块裁切区域 cell_size：细胞单元的大小 如8，表示8x8个像素 bin_size：直方图的bin个数 ''' self

文章目录 1. 目标检测问题定义 1.1 目标检测定义 1.2 目标检测vs图像分类 1.3 目标检测vs目标分割 2. 目标检测问题方法 2.1 传统目标检测方法到深度学习目标检测方法的变迁 2.2 算法基本流程 2.3 传统目标检测方法 2.4 深度学习目标检测方法 2.5 传统目标检测方法VS深度学习目标检测方法 2.6 目标检测应用场景 3. 传统目标检测算法 3.1 综述 3.2 Viola-Jones 3.3 HOG+SVM 3.4 DPM 3.5 NMS（非极大值抑制算法） 4. 基于深度学习的目标检测算法 4.1 Two-stage基本介绍 4.1.1 概述 4.1.2 two-stage基本流程： 4.1.3 two-stage常见算法 4.2 Two-stage核心组件 4.2.1 CNN网络 4.2.2 RPN网络 4.3 One-stage基本介绍 4.3.1 One-stage 综述 4.3.2 One-stage基本流程 4.3.3 One-stage常见算法 4.4 One-stage核心组件 4.4.1 CNN网络 4.4.2 回归网络 4.4.3 回归网络预测过程 4.5 One-stage VS Two-stage 1. 目标检测问题定义 1.1 目标检测定义 目标检测是在图片中对 可变数量 的目标进行分类和查找。 主要难点： 目标种类与数量问题

参考了秋风细雨的文章： http://blog.csdn.net/candyforever/article/details/8564746 花了点时间编写出了程序，先看看效果吧。 识别效果大概都能正确。 好了，开始正题： 因为本程序是提取HOG特征，使用SVM进行分类的，所以大概了解下HOG的一些知识，其中我觉得怎么计算图像HOG特征的维度会对程序了解有帮助 关于HOG，我们可以参考： http://gz-ricky.blogbus.com/logs/85326280.html http://blog.csdn.net/raodotcong/article/details/6239431 关于手写的数字0-9的数据库下载地址和如何生成此数据库HOG特征的xml文件可以参考文章开头的参考博客。 本人提供一个已经训练好的关于此库我生成的xml文件，下载地址： http://pan.baidu.com/s/1qXSYp 训练模型 #include <iostream> #include <opencv2/opencv.hpp> #include <fstream> using namespace std; using namespace cv; int main() { vector<string> img_path;//输入文件名变量 vector<int> img_catg; int

首先我们知道 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 ，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，那么PCL中也是利用这一思想来进行行人的检测， 总体思路： 1、提取正负样本hog特征 2、投入svm分类器训练，得到model 3、由model生成检测子 4、利用检测子检测负样本，得到hardexample 5、提取hardexample的hog特征并结合第一步中的特征一起投入训练，得到最终检测子。 首先整合一下理论知识 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。 具体的是实现方法： 首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。 提高性能： 把这些局部直方图在图像的更大的范围内（我们把它叫区间或 block）进行对比度归一化（ contrast-normalized），所采用的方法是：先计算各直方图在这个区间（ block

转自 https://www.zhihu.com/question/26493945 作者：YaqiLYU 第一部分：目标跟踪速览 先跟几个SOTA的tracker混个脸熟，大概了解一下目标跟踪这个方向都有些什么。一切要从2013年的那个数据库说起。。如果你问别人近几年有什么比较niubility的跟踪算法，大部分人都会扔给你吴毅老师的论文，OTB50和OTB100(OTB50这里指OTB-2013，OTB100这里指OTB-2015，50和100分别代表视频数量，方便记忆)： Wu Y, Lim J, Yang M H. Online object tracking: A benchmark [C]// CVPR, 2013. Wu Y, Lim J, Yang M H. Object tracking benchmark [J]. TPAMI, 2015. 顶会转顶刊的顶级待遇，在加上引用量1480+320多，影响力不言而喻，已经是做tracking必须跑的数据库了，测试代码和序列都可以下载： Visual Tracker Benchmark ，OTB50包括50个序列，都经过人工标注： 两篇论文在数据库上对比了包括2012年及之前的29个顶尖的tracker，有大家比较熟悉的OAB, IVT, MIL, CT, TLD, Struck等，大都是顶会转顶刊的神作