1，前言

       該案例是很久以前學習課程，最近突然想起來了就實現記錄一下。在深度學習逐漸流行的今天，HOG+SVM自定義對象識別的用武之地可能不是很大了，但是在固定場景下，自定義對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據集即可實現不錯的識別效果。評價某算法的作用要結合特定的場景，脫離場景談作用是不太客觀的。

2，HOG特征

HOG與SIFT的區別
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為HOG是SIFT的一種，其實兩者在使用目的和具體處理細節上是有很大的區別的。HOG與SIFT的主要區別如下：
(1)SIFT是基于關鍵點特征向量的描述。

(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統計梯度直方圖。
(3)SIFT需要對圖像尺度空間下對像素求極值點，而HOG中不需要。
(4)SIFT一般有兩大步驟，第一個步驟對圖像提取特征點，而HOG不會對圖像提取特征點。

HOG的優缺點 優點：
(1)HOG表示的是邊緣(梯度)的結構特征，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帶來的影響；
(3)采取在局部區域歸一化直方圖，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

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內容，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站內容還不錯，歡迎將生活随笔推薦給好友。