OpenCV实战（32）——使用SVM和定向梯度直方图执行目标检测

0. 前言

本节中，我们将介绍机器学习方法支持向量机 (Support Vector Machine, SVM)，它可以根据训练数据得到准确的二分类分类器，它已被广泛用于解决许多计算机视觉问题。该分类器可以通过使用数学公式表达，该公式可以用于在高维空间中查看数据集的几何结构。此外，我们还将介绍一种新的图像表示，该表示通常与 SVM 结合使用以获取鲁棒性目标检测器。

1. HOG 图像特征

物体图像主要以其形状和内容为特征，通常可以由定向梯度直方图 (Histogram of Oriented Gradients, HOG) 表示，这种表示方法基于图像梯度构建的直方图。因为我们对物体形状和纹理感兴趣，所以需要分析梯度方向的分布。此外，为了考虑这些梯度的空间分布，在将图像划分为多个区域计算多个直方图。
因此，构建 HOG 表示的第一步是计算图像的梯度。然后将图像细分为小单元格(例如，8×8 像素)，并为这些单元格构建梯度方向直方图。因此，必须将可能的方向范围划分为多个区间。大多数情况下，只考虑梯度方向而不考虑它们的符号(称为无符号梯度)，在这种情况下，可能的方向范围是 0 到 180 度，此时，一个 9-bin 直方图会将可能的方向划分为 9 个 20 度的区间。单元格中的每个梯度向量都累积在对应于该梯度大