【Opencv学习】之HOG和SVM（用于行人检测）

1.HOG

（1）方向梯度直方图（Histogram of Oriented Gradient，HOG），HOG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。

（2）梯度主要位于边缘部分。采集各细胞单元（小的连通区域）的各像素点的梯度或边缘直方图来构成特征描述符。——归一化（用于提高性能）

（3）优点：对图像几何的和光学的不变性好；容许行人有细微的肢体动作（特别适合用于人体检测）

（4）步骤：

        a）色彩和伽马归一化（降低局部阴影和色彩变化）

        b）计算图像梯度（求导捕捉人体信息及进一步弱化光照影响；需要一个滤波器核滤除色彩或变化剧烈的数据）

        c）构建方向的直方图（幅值或幅值函数为权值，无向梯度和9个直方图最是个行人检测）

        d）将细胞单元组合成大的区间(对梯度强度做归一化，矩形区间（R-HOG），环形区间（C-HOG）)

        e）收集HOG特征（将提取的HOG特征输入到SVM分类器中，寻找一个最优超平面作为决策函数）

（5）R-HOG与C-HOG。C-HOG最适合行人检测的参数设置：4个角度盒子，2个半径盒子，中心盒子半径为4个像素，伸展因子为2。

2.SVM

（1）支持向量机（Support Vector Machine）（核学习方法之一）

（2）理论：线性可分性，铰链损失函数，经验风险与正则化，核方法，Mercer定理

（3）算法