本文介绍了HOG特征提取和SVM分类器在图像分类中的应用，详细阐述了HOG特征计算过程，包括梯度计算、直方图统计和归一化。同时，解释了SVM的工作原理，以及如何使用HOG特征进行自适应学习的目标分类。通过Matlab代码展示了训练和测试图像的处理流程。
⛄一、HOG+SVM图像分类简介
1 HOG目标特征提取
HOG特征是目前传统目标检测范畴内应用最广、研究最深的特征。首先，对图像x方向的水平梯度和y方向的垂直梯度进行计算，并计算两者的合成梯度，然后对矩形区域内的HOG进行汇总统计，从而得到特征描述。
设当前像素的梯度为[dx,dy],梯度向量的强度和角度分别为g和θ:
通常梯度方向会取0°～180°的角度绝对值区间，无符号梯度方向直方图的优势在于效果更好。
图1 梯度方向直方图特征的定义
如图1所示，在计算完梯度强度及方向后，以Cell为最小单元对检测窗口进行直方图的统计计算，并通过两两Cell组成Block来合并成一个特征向量。利用L1或L
订阅专栏 解锁全文
扫一扫
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
