精华内容
下载资源
问答
  • 2021-02-06 15:19:57

    前言

    大家能看到这篇文章,想必对HOG还是有些了解了,那我就不赘述了,其实我自己不太懂,但是还是比刚开始好一些了。下面我的代码是参考这位博主的:点我查看

    上面那位博主是用的cifar-10数据集,但是我们的数据集很可能是普通的图片,所以我进行了一些改进。

    注意事项:

    1. 你的图片长宽可以不相等,设置好image_heightimage_width即可。
      如果图片大小不相等,可以使用change_size.py,把所有图片大小resize成一样的。

    2. 你图片对应的标签必须是这样的:

      001.jpg 1
      003.jpg 2

      前面是图片名称,后面是对应的类别(类别用数字表示),中间要用空格隔开,每个标签占一行。
      你要准备两个文件,一个是训练用的,一个是测试用的。
      训练样本标签和预测的都是一样的格式
      大家可以看github上面的实例.(image文件夹)

    3. 你的训练和测试的图片可以放在同一个文件夹下面,也可以不同,设置好train_image_pathtest_image_path即可。

    4. 你要根据你图片的大小,对这行代码进行一些调整,这个调整需要你先了解hog的知识:

      fd = hog(gray, orientations=18, pixels_per_cell=[8,8], cells_per_block=[4,4], visualise=False, transform_sqrt=True)

      这是我为128x128大小图片设置的提取hog特征的参数,你需要适当改变一些,到时候的效果也不同。

      orientations我是选9或18,即梯度方向的个数

      一般来说,图片越大,pixels_per_cell 和cells_per_block里面的值可以相应变大。

    5. 如果你要进行多次,建议你把文件位置的参数写死

      #训练集图片的位置
      train_image_path = '/home/icelee/Downloads/dataset/small_shixun/'
      #测试集图片的位置
      test_image_path = '/home/icelee/Downloads/dataset/small_shixun/'
      #训练集标签的位置
      train_label_path = '/home/icelee/Downloads/dataset/mydata.txt'
      #测试集标签的位置
      test_label_path = '/home/icelee/Downloads/dataset/test.txt'
      #图片大小
      image_height = 128
      image_width = 128
      
    6. 你需要安装sk-learn库,hog,PIL库等。可能还有一些零碎的库,大家用pip安装就好。

    7. 实验都是彩色图片,如果你的图片是纯黑白的,很有可能需要改一下代码,看一下代码注释即可

    采用这个测试cifar-10,准确率有50%多一点点(乱猜的准确率是10%),所以效果还是可以的,虽然比不上深度学习。

    为了方便大家查看,代码放在了github:GitHub - xiaobingchan/HOG_SVM: 使用HOG+SVM进行图像分类

    可能出现的错误

    ValueError: Expected 2D array, got 1D array instead: array=[]. Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.
    出现上面的错误说明没有正常读取到图片,所以请检查图片宽高是不是和设置的size一样,路径是否正确。更改之后运行程序时,请选择重新获取特征。

    任何程序错误,以及技术疑问或需要解答的,请添加

     

    更多相关内容
  • 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)。
  • 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...
  • hog+SVM图片分类实例

    2018-08-03 10:06:29
    本代码是hog+svm分类实例,对于新手入门图像处理是个很好的实例,要运行本代码,需在代码同一级目录下建pos和neg文件夹,还有网上找几张图片,就可以运行了。还有更改一下路径就可以了。
  • HOG+SVM图像分类算法

    2018-07-24 09:53:42
    基于HOG+SVM图像分类算法,训练集和测试集根据自己的需要自行创立
  • python3.6,svm-hog图像分类,成功测试。代码图片打包下载。直接运行。

    python使用svm,hog进行图像分类时,需要使用sklearn,skimage,numpy,matplotlib等。这些包如果版本不对应很难成功运行代码。

    python3.6,numpy,matplotlib,scipy,sklearn匹配版本安装_Vertira的博客-CSDN博客先安装numpy,再安装scipy,再安装matplotlib这三个都是python3.6对应的版本。比较唯一,sk-learn 官网没有展示与python3.6对应的版本,但是使用清华源安装,可以安装到对应的版本。https://blog.csdn.net/Vertira/article/details/122317251用清华源安装,熟读更快

    python 安装numpy,matplotlib 清华源快速安装_Vertira的博客-CSDN博客pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simplepip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simplehttps://blog.csdn.net/Vertira/article/details/122171528

    svm_hog python源码下载地址

    https://download.csdn.net/download/Vertira/74005192https://download.csdn.net/download/Vertira/74005192

    下载的压缩文件及其解压后的文件

     

    配置好各种包后,直接运行hog_svm.py(注意:把raw_input (这个是python2.0版本的)改成 input(这个是python3的))

    运行后程序输出

     文件夹中的变化:

     多了几个文件夹和一个输出测试结果 result.txt. 上面三个文件夹中都有训练产生的特征和参数。

    result.txt里面是预测的结果

    欢迎各位客官,点赞,收藏,加关注。

    展开全文
  • 【实战类】Hog SVM进行图像分类任务

    千次阅读 2021-08-26 13:46:37
    cifarc10图像下载地址:http://www.cs.toronto.edu/~kriz/cifar.html ...cifar转图像操作 import cv2 import numpy as np import os def unpickle(file): import _pickle as cPickle with open(file, 'rb')..

    目录

    一、训练数据准备:cifar转图像操作

    二、训练和验证部分

    三、hog梯度图可视化


    案例训练数据:cifar 10

    图像下载地址(后面我们要用这批数据作为训练数据):CIFAR-10 and CIFAR-100 datasetshttp://www.cs.toronto.edu/~kriz/cifar.html本文参考链接:HOG + SVM 进行图片分类(python)_程序员的点滴-CSDN博客_svm图片二分类pythonhttps://blog.csdn.net/q1242027878/article/details/74271694HOG的描述:

    图像处理——梯度直方图HOG_lanling1996的博客-CSDN博客_梯度直方图                          图像处理之特征提取:HOG特征简单梳理              HOG方向梯度直方图,这里分解为方向梯度与直方图。 一、方向梯度 梯度:在向量微积分中,标量...https://blog.csdn.net/lanling1996/article/details/112589519HOG主要应用于行人检测方面,以行人照片为例:

    一、训练数据准备:cifar转图像操作

    案例操作中使用的训练数据是cifar10的数据,这里我们需要先把原始数据,转为图像数据,进行本地化保存,下载好数据后,进行转图操作,转图代码如下:

    import cv2
    import numpy as np
    import os
    
    
    def unpickle(file):
        import _pickle as cPickle
        with open(file, 'rb') as f:
            dict = cPickle.load(f, encoding='iso-8859-1')
        return dict
    
    
    def main(cifar10_data_dir):
        train_txt=[]
        test_txt=[]
        for i in range(1, 2):
            train_data_file = os.path.join(cifar10_data_dir, 'data_batch_' + str(i))
            print(train_data_file)
            data = unpickle(train_data_file)
            print('unpickle done', data)
            for j in range(10000):
                img = np.reshape(data['data'][j], (3, 32, 32))
                img = img.transpose(1, 2, 0)
                img_name = 'train/' + str(data['labels'][j]) + '_' + str(j + (i - 1) * 10000) + '.jpg'
                cv2.imwrite(os.path.join(cifar10_data_dir, img_name), img)
                train_txt.append(str(data['labels'][j]) + '_' + str(j + (i - 1) * 10000) + '.jpg' + ' ' + str(data['labels'][j]))
        np.savetxt(r"./train.txt", np.reshape(train_txt, -1), delimiter=',', fmt='%5s')
    
        test_data_file = os.path.join(cifar10_data_dir, 'test_batch')
        data = unpickle(test_data_file)
        for i in range(10000):
            img = np.reshape(data['data'][i], (3, 32, 32))
            img = img.transpose(1, 2, 0)
            img_name = 'test/' + str(data['labels'][i]) + '_' + str(i) + '.jpg'
            cv2.imwrite(os.path.join(cifar10_data_dir, img_name), img)
            test_txt.append(str(data['labels'][i]) + '_' + str(i) + '.jpg' + ' ' + str(data['labels'][i]))
        np.savetxt(r"./test.txt", np.reshape(test_txt, -1), delimiter=',', fmt='%5s')
    
    
    if __name__ == "__main__":
        main('cifar-10-batches-py')

    如果遇到这个问题:

    python 3以上版本使用pickle.load读取文件报UnicodeDecodeError: 'ascii' codec can't decode byte 0x8b in position 6

     可参考这里解决:python 3以上版本使用pickle.load读取文件报UnicodeDecodeError: 'ascii' codec can't decode byte 0x8b in position 6_IT人生-CSDN博客https://blog.csdn.net/qq_33144323/article/details/80042273

    二、训练和验证部分

    直接方代码,边训练边学习这段代码的含义,主要思路就是一下几点:

    1. 原图转hog梯度图
    2. 加载特征和标签进行训练
    3. 测试评估
    # -*- coding=utf-8 -*-
    import glob
    import platform
    import time
    from PIL import Image
    from skimage.feature import hog
    import numpy as np
    import os
    import joblib
    from sklearn.svm import LinearSVC
    import shutil
    import sys
    
    # 第一个是你的类别   第二个是类别对应的名称   输出结果的时候方便查看
    label_map = {0: 'airplane',
                 1: 'automobile',
                 2: 'bird',
                 3: 'cat',
                 4: 'deer',
                 5: 'dog',
                 6: 'frog',
                 7: 'horse',
                 8: 'ship',
                 9: 'truck,'
                 }
    # 训练集图片的位置
    train_image_path = './database/train'
    # 测试集图片的位置
    test_image_path = './database/test'
    
    # 训练集标签的位置
    train_label_path = os.path.join('./labels', 'train.txt')
    # 测试集标签的位置
    test_label_path = os.path.join('./labels', 'test.txt')
    
    image_height = 32
    image_width = 32
    
    train_feat_path = './feature/train/'
    test_feat_path = './feature/test/'
    model_path = 'model/'
    
    
    # 获得图片列表
    def get_image_list(filePath, nameList):
        print('read image from ', filePath)
        img_list = []
        for name in nameList:
            temp = Image.open(os.path.join(filePath, name))
            img_list.append(temp.copy())
            temp.close()
        return img_list
    
    
    # 提取特征并保存
    def get_feat(image_list, name_list, label_list, savePath):
        i = 0
        for image in image_list:
            try:
                # 如果是灰度图片  把3改为-1
                image = np.reshape(image, (image_height, image_width, -1))
            except:
                print('发送了异常,图片大小size不满足要求:', name_list[i])
                continue
            #gray = rgb2gray(image) / 255.0
            # 如果直接就是灰度图
            gray = image
            # 这句话根据你的尺寸改改
            fd = hog(gray, orientations=12, block_norm='L1', pixels_per_cell=[8, 8], cells_per_block=[4, 4], visualize=False,
                     transform_sqrt=True)
            fd = np.concatenate((fd, [label_list[i]]))
            fd_name = name_list[i] + '.feat'
            fd_path = os.path.join(savePath, fd_name)
            joblib.dump(fd, fd_path)
            i += 1
        print("Test features are extracted and saved.")
    
    
    # 变成灰度图片
    def rgb2gray(im):
        gray = im[:, :, 0] * 0.2989 + im[:, :, 1] * 0.5870 + im[:, :, 2] * 0.1140
        return gray
    
    
    # 获得图片名称与对应的类别
    def get_name_label(file_path):
        print("read label from ", file_path)
        name_list = []
        label_list = []
        with open(file_path) as f:
            for line in f.readlines():
                #一般是name label  三部分,所以至少长度为3  所以可以通过这个忽略空白行
                if len(line) >= 3:
                    name_list.append(line.split(' ')[0])
                    label_list.append(line.split(' ')[1].replace('\n','').replace('\r',''))
                    if not str(label_list[-1]).isdigit():
                        print("label必须为数字,得到的是:",label_list[-1], "程序终止,请检查文件")
                        exit(1)
        return name_list, label_list
    
    
    # 提取特征
    def extra_feat():
        train_name, train_label = get_name_label(train_label_path)
        test_name, test_label = get_name_label(test_label_path)
    
        train_image = get_image_list(train_image_path, train_name)
        test_image = get_image_list(test_image_path, test_name)
        get_feat(train_image, train_name, train_label, train_feat_path)
        get_feat(test_image, test_name, test_label, test_feat_path)
    
    
    # 创建存放特征的文件夹
    def mkdir():
        if not os.path.exists(train_feat_path):
            os.mkdir(train_feat_path)
        if not os.path.exists(test_feat_path):
            os.mkdir(test_feat_path)
    
    
    # 训练和测试
    def train_and_test():
        t0 = time.time()
        features = []
        labels = []
        correct_number = 0
        total = 0
        for feat_path in glob.glob(os.path.join(train_feat_path, '*.feat')):
            data = joblib.load(feat_path)
            features.append(data[:-1])
            labels.append(data[-1])
        
        ############ 训练部分 ############
        """
        print("Training a Linear LinearSVM Classifier.")
        clf = LinearSVC()
        clf.fit(features, labels)
        # 下面的代码是保存模型的
        if not os.path.exists(model_path):
            os.makedirs(model_path)
        joblib.dump(clf, model_path + 'model')
        """
    
        ############ 训练完验证部分 ############
        # 下面的代码是加载模型  可以注释上面的代码   直接进行加载模型  不进行训练
        clf = joblib.load(model_path+'model')
        print("训练之后的模型存放在model文件夹中")
        # exit()
        result_list = []
        for feat_path in glob.glob(os.path.join(test_feat_path, '*.feat')):
            total += 1
            if platform.system() == 'Windows':
                symbol = '\\'
            else:
                symbol = '/'
            image_name = feat_path.split(symbol)[1].split('.feat')[0]
            data_test = joblib.load(feat_path)
            data_test_feat = data_test[:-1].reshape((1, -1)).astype(np.float64)
            result = clf.predict(data_test_feat)
            print(result)
            result_list.append(image_name + ' ' + str(result[0]) + '\n')
            if int(result[0]) == int(data_test[-1]):
                correct_number += 1
        write_to_txt(result_list)
        rate = float(correct_number) / total
        t1 = time.time()
        print('准确率是: %f' % rate)
        print('耗时是 : %f' % (t1 - t0))
    
    
    def write_to_txt(list):
        with open('result.txt', 'w') as f:
            f.writelines(list)
        print('每张图片的识别结果存放在result.txt里面')
    
    
    if __name__ == '__main__':
    
        mkdir()  # 不存在文件夹就创建
        # need_input = input('是否手动输入各个信息?y/n\n')
    
        if sys.version_info < (3,):
            need_extra_feat = input('是否需要重新获取特征?y/n\n')
        else:
            need_extra_feat = input('是否需要重新获取特征?y/n\n')
    
        if need_extra_feat == 'y':
            shutil.rmtree(train_feat_path)
            shutil.rmtree(test_feat_path)
            mkdir()
            extra_feat()
    
        train_and_test()
    

    cifar10的训练和测试结果,如下:

    是否需要重新获取特征?y/n
    y
    read label from  ./labels\train.txt
    read label from  ./labels\test.txt
    read image from  ./database/train
    read image from  ./database/test
    Test features are extracted and saved.
    Test features are extracted and saved.
    Training a Linear LinearSVM Classifier.
    训练之后的模型存放在model文件夹中
    每张图片的识别结果存放在result.txt里面
    准确率是: 0.460400
    耗时是 : 12.241030

    三、hog梯度图可视化

    直观的查看下hog梯度方向直方图的样式,以一张其它图像为例进行展示,你也可以替换为你自己的图像,如下:

    from skimage.feature import hog
    from skimage import io
    from PIL import Image
    import cv2
    
    img = cv2.cvtColor(cv2.imread('./database/train_medical/DRCrop_3.png'), cv2.COLOR_BGR2GRAY)
    print(img.shape)
    normalised_blocks, hog_image = hog(img, orientations=9, pixels_per_cell=(8, 8), cells_per_block=(8, 8),
                                       block_norm='L2-Hys', visualize=True)
    io.imshow(hog_image)
    io.show()

     参考文档:使用skimage提取图像hog特征_人工智能讲师团-CSDN博客_skimage.feature.hoghttps://blog.csdn.net/mago2015/article/details/85320347

    展开全文
  • matlab版hog+svm图像分类

    千次下载 热门讨论 2016-12-20 14:29:42
    该代码实现的是图像的二分类hog用于图像的特征提取,svm表示的是对特征的分类。解压缩后,在添加到matlab的工作目录后,需要在代码中修改一下资源文件的路径(比如正负样本的图片路径),才可以正确运行。
  • HOG+SVM图像分类

    2016-09-23 17:05:24
    HOG+SVM图像分类
  • hog+svm图像分类

    2019-01-14 16:43:52
    hog+svm图像分类*(MATLAB版本),需要安装libsvm工具箱(环境是MATLAB2014a+libsvm3.23)。里面包含正负样本集图片。
  • SVM+HOG图像进行分类(MATLAB实现)

    万次阅读 多人点赞 2017-04-28 14:26:14
    主要完成对多种类型的图像进行分类,1、对图像HOG特征进行提取。2、SVM对提取的特征进行训练。3、预测未知图像

    网上看到关于用opencv对图像进行分类的不少,这次用MATLAB做了些尝试,图像数据集为:链接: https://pan.baidu.com/s/1i5OhC7z 密码: utn7,其他MATLAB版本http://blog.csdn.net/libin88211/article/details/19968205 ,点击打开链接,http://blog.csdn.net/jcy1009015337/article/details/53763484 另外opencv版本的为:点击打开链接,http://blog.csdn.net/always2015/article/details/47107129

    废话就不说,直接上代码(适合MATLAB 2016b版本及以上),代码有相应注释。

    我训练的图像在磁盘上位置如下,包含5个类别,省去了前人制作txt存储图像路径的过程:



    测试图像分布为:


    %% 用hog特征对图像进行多分类,svm训练,1 VS 1  
    %% 1 数据集,包括训练的和测试的 (注意自己图片存放路径,附录我给出示例下载图片链接) 
    imdsTrain = imageDatastore('F:\svm_images\train_images',...  
        'IncludeSubfolders',true,...  
        'LabelSource','foldernames');  
    imdsTest = imageDatastore('F:\svm_images\test_image');  
    
    
    %% 显示训练的图片种类Labels和数量Count
    Train_disp = countEachLabel(imdsTrain);
    disp(Train_disp);
      
    %%   2 对训练集中的每张图像进行hog特征提取,测试图像一样  
    % 预处理图像,主要是得到features特征大小,此大小与图像大小和Hog特征参数相关  
    imageSize = [256,256];% 对所有图像进行此尺寸的缩放  
    image1 = readimage(imdsTrain,1);  
    scaleImage = imresize(image1,imageSize);  
    [features, visualization] = extractHOGFeatures(scaleImage);  
    imshow(scaleImage);hold on; plot(visualization)  
      
    % 对所有训练图像进行特征提取  
    numImages = length(imdsTrain.Files);  
    featuresTrain = zeros(numImages,size(features,2),'single'); % featuresTrain为单精度  
    for i = 1:numImages  
        imageTrain = readimage(imdsTrain,i);  
        imageTrain = imresize(imageTrain,imageSize);  
        featuresTrain(i,:) = extractHOGFeatures(imageTrain);  
    end  
      
    % 所有训练图像标签  
    trainLabels = imdsTrain.Labels;  
      
    % 开始svm多分类训练,注意:fitcsvm用于二分类,fitcecoc用于多分类,1 VS 1方法  
    classifer = fitcecoc(featuresTrain,trainLabels);  
      
    %% 预测并显示预测效果图  
    numTest = length(imdsTest.Files);  
    for i = 1:numTest  
        testImage = readimage(imdsTest,i);  
        scaleTestImage = imresize(testImage,imageSize);  
        featureTest = extractHOGFeatures(scaleTestImage);  
        [predictIndex,score] = predict(classifer,featureTest);  
        figure;imshow(testImage);  
        title(['predictImage: ',char(predictIndex)]);  
    end  
      
        

    命令行对训练集imdsTrain
    统计输出结果如下:





    第一张图像显示的是提取到的HOG特征,这个主要可以初步了解下特征是否选择的合适,不合适可以调节extractHOGFeatures里面的参数,如cellsize,blocksize,bins等,具体可以参考这个点击打开链接 http://cn.mathworks.com/help/vision/ref/extracthogfeatures.html?searchHighlight=extractHOGFeatures&s_tid=doc_srchtitle。本程序选择的默认参数,从图1可以预览到特征分别合适。




    展开全文
  • Matlab实现HOG+SVM图像分类

    万次阅读 2017-10-16 15:47:23
    我训练的图像在磁盘上位置如下,包含5个类别,省去了前人制作txt存储图像路径的过程: 测试图像分布为: 作者的代码写的非常工整,值得学习,尤其是利用了imageDatastore这种存储格式,使用...
  • 本次实验使用的是自己提出的一个关于路面裂缝的crack数据集,为提升实验效果,先提取图像HOG特征,再利用SVM来进行分类训练,以识别图片中是否存在裂缝。本文设计了完整的HOG+SVM识别算法,使用自己提出的crack数据集...
  • HOG SVM系列 文章目录

    2021-07-23 14:21:25
    现在将HOG+SVM分类方面的文章做一个目录如下: ① 行人检测HOG+SVM:综述、INRIADATA数据集、线性SVM ② 行人检测(2)——环境配置:Matlab安装libsvm ③ 两个红外数据集:KAIST 和 SCUT的 adas 行人数据集 ④ ...
  • 在代码中修改一下资源文件的路径,采用的MATLAB自带svmtrain函数,配置libsvm时需要进行一定处理,避免svmtrain函数冲突,该Demo完全有效
  • SVM + HOG实现图像分类

    千次阅读 2019-06-02 11:32:21
    imdsTrain = imageDatastore('H:\DataSet\usr\svm_images\train_images',... 'IncludeSubfolders',true,... 'LabelSource','foldernames'); &amp;amp;amp;amp;gt;&amp;amp;amp;amp;gt; imdsTest = im
  • 图像分类算法:第一张图像显示的是提取到的HOG特征,这个主要可以初步了解下特征是否选择的合适,不合适可以调节extractHOGFeatures里面的参数,如cellsize,blocksize,bins等,具体可以参考这个点击打开链接 ...
  • HOG+SVM 图像分类

    2016-10-24 20:22:18
    HOG+SVM 图像分类
  • hog+svm图像检测流程 --python

    千次阅读 2022-03-24 16:00:57
    利用hogsvm进行的图像检测,详细的流程以及python代码实现。(未完待续。。。) 6. 模型调整好后,就可以进行图像的检测,为了更好的突出显示检测效果..
  • hog svm matlab代码使用 HOG 特征和 SVM 分类检测手动档位 ...湾将解析后的图像分类到 data/ground_gear_ranges/ 和 data/test_gear_ranges/ 中的相应文件夹中为了提高准确性,请包含尽可能多的来自
  • HOG+SVM——多分类

    千次阅读 2020-05-25 11:31:37
    由于需要进行行人和车辆检测,那么如何将行人和车辆一起进行多分类呢? 由于先考虑了行人检测的问题,行人检测通常suppose长宽比为2:1,那么目标检测后的切片就得为2:1,涉及到对其他目标进行padding的问题。其他...
  • SVM+HOG图像进行多分类(OpenCV实现)

    万次阅读 热门讨论 2017-08-09 16:51:39
    前几个月写了篇关于MATLAB实现SVM+HOG图像进行多分类,链接:http://blog.csdn.net/cuixing001/article/details/70908064,先开始是用opencv实现的,可是识别效果很差,以为我写错代码了,后来纠结了好久好久,才...
  • HOG+SVM进行图像分类

    千次阅读 2014-07-13 15:48:16
    http://www.360doc.com/content/13/0313/11/2036337_271208986.shtml 可以用来参考的程序
  • matlab实现hog+svm图像分类

    万次阅读 多人点赞 2016-12-20 16:19:45
    最近因为需要实现hog+svm分类代码,网上找了一些例子,觉得这篇博客还不错:http://blog.csdn.net/libin88211/article/details/19968205,下面结合该博客写一下步骤,供新手们交流学习~~ hog干嘛的?hog就是提取...
  • HOG+SVM行人检测算法

    2018-06-10 21:29:59
    在2005年CVPR上,来自法国的研究人员Navneet Dalal 和Bill Triggs提出利用Hog进行特征提取,利用线性SVM作为分类器,从而实现行人检测。而这两位也通过大量的测试发现,HOG +SVM是速度和效果综合平衡性能较好的一种...
  • https://gitee.com/qitiandashengdiyun/HOG_SVM_OK其他python svm的源码都是读取的非图片文件,这个源码是读取图片,并分类的。亲测可用 参考: https://blog.csdn.net/sinat_28371057/article/details/113726321 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,639
精华内容 2,655
关键字:

hogsvm图像分类