徐idealxuideal@163.comHOG+SVM行人检测•目标检测基础知识•HOG算法•HOG+SVM算法实现流程•滑动窗口•非极大值抑制目录2•自动驾驶的障碍课前甜点3•目标检测基础知识•视觉四大任务•分类任务应用•检测任务应用•分割任务应用•HOG算法•HOG+SVM算法实现流程•滑动窗口•非极大值抑制目录4•图像相关任务•分类-Classification：解决“是什么？”的问题•定位-Location：解决“在哪⾥？”的问题•检测-Detection：解决“是什么？在哪⾥？”的问题•分割-Segmentation：解决“每⼀个像素属于哪个⽬标物或场景”的问题视觉四大任务5•手写识别•病虫害识别分类任务应用6•人脸检测•行人检测•车辆检测•遥感检测检测任务应用7•农作物种植•医疗影像处理分割任务应用8•HOG（HistogramofOrientedGridients）•通过计算和统计图像局部区域的梯度方向直方图来构成图像的局部特征•在深度学习出现前，最好进行目标检测的方式分割任务应用9•目标检测基础知识•HOG算法•算法主体流程•颜色处理•梯度计算•建立直方图•block合并•HOG+SVM算法实现流程•滑动窗口•非极大值抑制目录10•图像颜色归一化•计算梯度•统计得到梯度直方图•在block内归一化直方图•获取hog特征算法思想11•Hog主要关注边缘轮廓信息，与颜色信息无关•将彩色图像转化为灰度图像•采用心理学公式进行计算gray=0.3R+0.59G+0.11B•减小光照影响，采用gamma校正处理图片•可以更好地显示图片的轮廓图像颜色归一化12•梯度是图片灰度值的变化趋势•图像灰度变化可以查看图像的灰度改变效果计算梯度13•原始图像分割成若干个特定尺寸•在每一个cell内来统计建立梯度方向直方图•将梯度方向（角度）划分成9个bin构建9维的特征向量•每个角度范围内（40度）对应的像素点梯度大小累加作为纵轴建立直方图14•将多个cell放在一个连通的区间block中•一个block内所有cell的特征向量串联起来作为该block的Hog特征•传统检测中最佳参数为3×3cell/block、6×6pixel/cellblock合并15•目标检测基础知识•HOG算法•HOG+SVM算法实现流程•图片处理•模型调参及存储•滑动窗口•非极大值抑制目录16•数据集效果•正负样本数据•相同尺寸图片处理17•算法效果提取图像特征描述符•优势适应不同尺寸特征粗粒度取样图片处理18•分别存储正负样本•提取图片特征描述子•存储描述子图片处理19•SVM（SupportVectorMachine）•支持向量机•二分类效果突出模型调参及存储20•行人检测痛点•...
