1，前言

       該案例是很久以前學(xué)習(xí)課程，最近突然想起來了就實(shí)現(xiàn)記錄一下。在深度學(xué)習(xí)逐漸流行的今天，HOG+SVM自定義對(duì)象識(shí)別的用武之地可能不是很大了，但是在固定場(chǎng)景下，自定義對(duì)象如果在圖像中的大小較為恒定的情況下，這種辦法只需要較少的數(shù)據(jù)集即可實(shí)現(xiàn)不錯(cuò)的識(shí)別效果。評(píng)價(jià)某算法的作用要結(jié)合特定的場(chǎng)景，脫離場(chǎng)景談作用是不太客觀的。

2，HOG特征

HOG與SIFT的區(qū)別
HOG和SIFT都是描述子，以及由于在具體操作上有很多相似的步驟，所以致使很多人誤認(rèn)為HOG是SIFT的一種，其實(shí)兩者在使用目的和具體處理細(xì)節(jié)上是有很大的區(qū)別的。HOG與SIFT的主要區(qū)別如下：
(1)SIFT是基于關(guān)鍵點(diǎn)特征向量的描述。

(2)HOG是將圖像均勻的分成相鄰的小塊，然后在所有的小塊內(nèi)統(tǒng)計(jì)梯度直方圖。
(3)SIFT需要對(duì)圖像尺度空間下對(duì)像素求極值點(diǎn)，而HOG中不需要。
(4)SIFT一般有兩大步驟，第一個(gè)步驟對(duì)圖像提取特征點(diǎn)，而HOG不會(huì)對(duì)圖像提取特征點(diǎn)。

HOG的優(yōu)缺點(diǎn) 優(yōu)點(diǎn)：
(1)HOG表示的是邊緣(梯度)的結(jié)構(gòu)特征，因此可以描述局部的形狀信息； (2)位置和方向空間的量化一定程度上可以抑制平移和旋轉(zhuǎn)帶來的影響；
(3)采取在局部區(qū)域歸一化直方圖，可以部分抵消光照變化帶來的影響；
(4)由于一定程度忽略

總結(jié)

以上是生活随笔為你收集整理的基于OpenCV实现的HOG+SVM自定义对象识别的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。