HOG（未完成）

最新推荐文章于 2025-11-24 15:27:14 发布

原创最新推荐文章于 2025-11-24 15:27:14 发布 · 166 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#HOG #图像处理 #特征 #机器学习

本文介绍了图像处理中计算像素梯度的基本方法，包括水平和垂直方向的梯度计算公式，并给出了梯度大小和方向的计算方式。此外还提供了一段伪代码实现，帮助读者更好地理解并实践这些计算方法。

图像梯度计算
- 水平方向梯度：

G x (x, y) = H (x + 1, y) - H (x - 1, y)

$G_x(x, y) = H(x+1, y) - H(x-1, y)$
- 垂直方向梯度：

G y (x, y) = H (x, y + 1) - H (x, y - 1)

$G_y(x, y) = H(x, y+1) - H(x, y-1)$
- 像素的梯度：

G (x, y) = G x (x, y) 2 + G y (x, y) 2 ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ \sqrt

$G(x, y) = \sqrt{G_x(x, y)^2 + G_y(x, y)^2}$
- 梯度方向：

α (x, y) = t a n - 1 G y ( x , y ) G x ( x , y )

$\alpha(x, y) = tan^{-1}\frac{G_y(x, y)}{G_x(x, y)}$

伪代码实现：

hx = [-1,0,1]
hy = hx'
grad_x = filter(Img, hx)
grad_y = filter(Img, hy)

grad_xy = sqrt(grad_x.^2 + grad_y.^2)
theta = count_theta()

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

zhwli

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【机器学习】HOG+SVM实现行人检测

qaqwqaqwq的博客

05-01

8823

HOG的全称是方向梯度直方图（Histogram of Oriented Gradient），它是计算机视觉中用于物体检测的一种特征描述子（Feature Descriptor）。特征描述子的作用是提取有用的信息，抛弃冗余的信息。对于一个物体而言，能够区分它的特征的往往是它的形状——也就是它的边界。而在边界处灰度一般有突变，所以我们考察图像的梯度就可以知道边界在什么地方。现在我们把一个图片利用HOG特征转化成了一个向量，接下来就可以利用SVM分类了。

HOG+SVM表情识别.zip

09-03

这个项目的实现环境是Visual Studio 2017，说明代码可能是用C++编写的，并且可能依赖于MATLAB进行HOG特征的提取，而SVM分类器部分则是在C++中完成的。这种混合编程方式常见于研究项目中，因为MATLAB在科学计算和图像...

参与评论您还未登录，请先登录后发表或查看评论

HOG特征

何高志

07-19

5085

团队承接嵌入式linux软硬件开发、机器视觉 图像处理、网络流等项目微信号：hgz1173136060http://blog.youkuaiyun.com/hgz_gs/article/details/51957651原理：http://blog.youkuaiyun.com/zouxy09/article/details/7929348 http://www.xuebuyuan.com/58234...

【转载】HOG源码解析二

ping1jing2的博客

05-16

3757

原文链接：https://blog.youkuaiyun.com/antter0510/article/details/20564627在阅读的过程中主要参考tornadomeet的博文，在这里表示感谢。同时在阅读的过程中也发现了其中的一些不足，在我的注释中会一一指出。由于本人能力有限，对源代码的理解还存在不足，比如usecache部分，还有weight的计算过程都没有进行深究。由于代码本身过长，所以会另外写...

opencv之HOG源代码注释

zhazhiqiang2010的专栏

03-17

4789

【原文：http://blog.youkuaiyun.com/antter0510/article/details/20564627】在阅读的过程中主要参考tornadomeet的博文，在这里表示感谢。同时在阅读的过程中也发现了其中的一些不足，在我的注释中会一一指出。由于本人能力有限，对源代码的理解还存在不足，比如usecache部分，还有weight的计算过程都没有进行深究。由于代码本身过长，所以会

Hog源码注释(hog.cpp的注解)

zhazhiqiang2010的专栏

01-22

1856

原文：http://blog.youkuaiyun.com/pp5576155/article/details/7029699 首先关于HOG算法： #include "_cvaux.h" /***************************************************************************************** struct CV_EXPORT

人脸变形检测：基于HoG特征与SVM的MATLAB实现

weixin_28895791的博客

05-12

612

简介：本文详细介绍了一个名为“Face-Morphing-Detection”的项目，该项目应用HoG特征和SVM分类器来精确检测人脸变形。介绍了HoG特征提取、Viola-Jones算法、SVM分类器的原理和实现，以及Matlab代码的结构与应用。项目强调开源系统的价值，旨在促进技术共享和科研进步。

使用HOG+SVM技术的面部表情识别系统实战

weixin_35636570的博客

05-20

762

HOG（Histogram of Oriented Gradients）特征提取方法主要用于目标检测领域，尤其是对行人检测非常有效。HOG通过计算和统计图像局部区域的梯度方向直方图，来捕捉物体的形状和轮廓信息。基本思想是：局部目标的外观和形状可以由梯度或边缘的方向分布很好地描述。jaffe数据集是一个广泛使用的面部表情数据集，由日本京都大学的一个研究小组创建。该数据集包含126个表情图像，由10位日本女性拍摄，共表现出7种基本表情，如快乐、悲伤、惊讶、愤怒、恐惧、厌恶和中性。

方向梯度直方图（HOG）全维度解析：从理论本质到工程落地与面试备战

2301_81591329的博客

10-09

1051

本文深入解析HOG（方向梯度直方图）特征提取方法及其应用。HOG通过计算局部梯度方向统计量来捕捉物体形状特征，具有光照鲁棒性和计算高效的特点。文章详细拆解了HOG的四个关键步骤：梯度计算、细胞单元构建、块归一化和特征向量生成，并分析了各环节参数选择的依据。提供了工业级优化代码实现，包括异常处理、特征可视化和检测结果优化等实用技巧。同时对比了HOG与其他传统特征的适用场景，探讨了HOG在深度学习时代的融合应用。最后总结了HOG的核心优势与局限，并给出了10个面试高频问题的深度解答，为计算机视觉从业者提供全面指

【特征提取】Hog特征原理简介与代码实践

兴趣使然的创作者

05-19

4130

前言在【模式识别】SVM实现人脸表情分类一文中，我曾使用Hog特征+SVM的方式实现表情分类，但对于Hog特征的原理并未做深入整理。此篇将结合scikit-image来简单分析Hog特征的原理和维度关系。因为没看过原论文，因此自己的理解可能会有偏差，如有错误，欢迎评论区指正。图像梯度在进入到Hog之前，需要先了解图像中梯度的概念。以下图为例(图源：[1])，黑色像素点值为0，白色像素点值为1，分别求X方向梯度和Y方向梯度，从后两幅图可以看出，当箭头从0突变到1时，梯度为正值，图像中以白色边缘表示，反

emgucv自行训练HOG3.1

11-23

之后，可以使用这个模型在未标注的测试数据上评估其检测性能，调整阈值以平衡假阳性与假阴性。 6. 实时检测：最后，将训练好的HOG检测器集成到你的应用程序中，对实时视频流或单帧图像进行物体检测。在提供的文件...

hog+svm行人检测分类器训练

11-26

最后，完成训练后，可以使用该模型在新的未标记图像上进行行人检测，从而实现计算机自动检测图像中的行人。在实际应用中，这可能涉及到滑动窗口技术、非极大值抑制等步骤来确保检测结果的准确性和唯一性。

【图像处理基石】如何对图像进行对比度增强，但不造成图像 artifacts？

智能守恒_HengAI

11-20

213

局部自适应（而非全局统一）、限制拉伸幅度（避免饱和）、结合去噪机制（抑制噪声放大）。本文介绍的 4 种算法覆盖了从简单到复杂的场景，代码可直接落地。混合算法：比如“CLAHE + 导向滤波”（用 CLAHE 增强对比度，用导向滤波去噪）；深度学习方法：基于 CNN 或 Transformer 的增强模型（如 RetinexNet、Zero-DCE），能自适应复杂场景，但需训练数据和推理资源；

JavaScript图像处理开发

2509_93948592的博客

11-21

322

举个例子，你加载一张图片到Canvas上，然后通过getImageData方法拿到像素数组，每个像素包含RGBA四个值，改这些数值就能实现各种效果。代码写起来也不复杂：先创建Canvas上下文，画上图像，然后遍历像素数组，计算灰度值，最后用putImageData更新画布。再说说实际应用场景。记得处理跨域问题，如果图片来自不同域名，得确保服务器设置了CORS头，否则Canvas会污染，无法读取数据。另外，内存泄漏是个大坑，如果频繁创建Image对象或Canvas上下文，记得及时释放引用，避免页面越来越卡。

基于学习的人工智能（3）机器学习基本框架

致力于大数据+AI 的应用创新。

11-24

578

机器学习通过算法从数据中获取经验，改进初始模型以更高效地完成任务。与基于知识的方法不同，机器学习不直接编程机器行为，而是设定目标让机器自主学习。其框架包含五个要素：目标（如分类、预测）、模型、算法、数据和知识。目标需转化为数学形式的损失函数（如分类错误率、预测误差），函数值越低表明性能越好。例如分类任务用错误比例作损失函数，预测任务用预测值与实际值的差距衡量准确性。

机器学习（ML）和人工智能（AI）技术在WAF安防中的应用

servepeople的博客

11-24

454

摘要： Web应用防火墙（WAF）中，AI/ML技术通过异常流量检测（如自编码器）、恶意Payload识别（CNN/LSTM）、攻击分类（XGBoost）等方案，有效应对未知威胁和变形攻击。结合用户行为分析（LSTM）与误报优化（主动学习），提升防御精准度。落地工具涵盖Scikit-learn、TensorFlow（模型训练）、Hugging Face（NLP处理）及TensorRT（部署加速），并依赖OWASP等安全数据集。技术核心在于通过语义/时序特征建模，突破传统规则引擎的局限性，实现低延迟、高并发的

基于机器学习框架的上周行情复盘：非农数据与美联储政策信号的AI驱动解析

11-24

519

本文通过机器学习算法对上周非农就业数据、美联储会议纪要及官员讲话进行语义情感分析，结合时间序列模型与政策预期量化框架，系统回顾黄金、美元及美股在政策不确定性下的波动逻辑，重点解析AI驱动的市场趋势预测与事件冲击响应机制。

人工智能、机器学习与深度学习：从概念到实践

已掌握java全栈，简单的java项目逻辑。目前正在学习鸿蒙开发，有兴趣的小伙伴可以一起学习！！！

11-21

1007

今天开始去探索ai的路程，带领大家实现从0到1的探索之路！！！在当今科技浪潮中，“人工智能”（Artificial Intelligence, AI）已成为家喻户晓的热词。然而，很多人对“AI”“机器学习”（Machine Learning, ML）和“深度学习”（Deep Learning, DL）之间的关系感到困惑。它们究竟是同一事物的不同叫法，还是层层递进的技术体系？本文将用通俗语言厘清三者的关系，并通过经典案例帮助你建立清晰的认知框架。

基于学习的人工智能（4）机器学习基本框架