Advertisement

基于Hog和SVM的行人识别（难例挖掘）

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本研究采用HOG特征结合SVM分类器进行行人检测，并引入难例挖掘技术提升模型在复杂场景下的泛化能力。 使用Hog特征结合SVM分类进行行人检测，并包含难例挖掘的批量测试代码。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于Hog和SVM的行人识别（难例挖掘）
    优质
    本研究采用HOG特征结合SVM分类器进行行人检测，并引入难例挖掘技术提升模型在复杂场景下的泛化能力。 使用Hog特征结合SVM分类进行行人检测，并包含难例挖掘的批量测试代码。
     
  • 基于SVM和HOG的行人识别算法MATLAB实现
    优质
    本简介介绍了一种基于支持向量机(SVM)与 Histogram of Oriented Gradients(HOG)特征提取的行人检测方法，并给出其在MATLAB环境下的具体实现过程。 本人课程作业，直接运行Optimize.m文件即可进行测试。其中除了SVM部分使用了Matlab现有的库函数外，其余代码均为自行编写。由于预选框采用变尺度滑动机制，因此程序运行速度会相对较慢，请见谅。
     
  • 基于SVM与HOG的行人识别算法Matlab实现
    优质
    本项目采用支持向量机(SVM)结合 Histogram of Oriented Gradients (HOG)特征，实现了高效的行人检测算法，并在MATLAB环境中进行了详细实现和验证。 本人课程作业，直接运行Optimize.m即可进行测试。其中除了SVM部分利用了Matlab现有库，其余程序均为自行编写。由于预选框采用变尺度滑动，因此运行时间会相对较长，请谅解。
     
  • 基于SVM与HOG的行人识别算法Matlab实现
    优质
    本项目采用MATLAB编程环境，实现了基于支持向量机(SVM)和 Histogram of Oriented Gradients (HOG)特征提取方法的行人识别系统。通过优化SVM参数及利用HOG的有效边缘方向信息，提高行人检测精度与鲁棒性。 本人课程作业，直接运行Optimize.m即可进行测试。其中除了SVM部分利用了Matlab现有库，其余代码皆为自行编写。由于预选框采用变尺度滑动机制，因此程序运行速度会相对较慢，请见谅。
     
  • 基于HOG和SVM的性别识别源码
    优质
    本项目提供了一套利用HOG特征与支持向量机(SVM)进行性别识别的源代码。通过提取图像中的人体轮廓特征，并应用机器学习技术，实现高效准确的性别分类功能。 基于OpenCV的HOG+SVM性别识别源码包含一个生成XML文件的脚本，可以直接使用。可以将其作为参考代码。
     
  • 基于HOG-SVM的行人检测
    优质
    本研究采用HOG特征与SVM分类器相结合的方法进行行人检测，通过提取图像中的局部梯度信息实现对行人的准确识别。 基于HOG和SVM的行人检测在MATLAB平台上实现。这种方法利用了方向梯度直方图（Histogram of Oriented Gradients, HOG）特征提取与支持向量机（Support Vector Machine, SVM）分类器相结合，以提高行人的识别精度和效率。
     
  • 基于HOG与SVM的手势识别
    优质
    本研究采用HOG特征提取结合SVM分类器实现手势识别，通过分析图像中的方向梯度直方图，准确区分不同手势动作。 利用HOG特征和SVM学习算法实现对不同手势的识别，在张开的手势上能达到90%以上的准确率。本人的毕业论文详细介绍了HOG算法和SVM算法，并提供了具体的操作步骤以及实验结果，但没有包含具体的代码。请勿随意转载。
     
  • 基于HOG与SVM的人脸口罩识别方法.zip
    优质
    本项目提出了一种结合HOG特征提取和SVM分类器的人脸口罩检测算法，旨在准确识别佩戴口罩的状态，适用于疫情防控等多种场景。 基于HOG和SVM的人脸口罩识别算法文件架构如下： - HOGdescriptor.m：获取图像的HOG方向直方图。 - computeGradient.m：计算传入图像每个像素点在x、y轴的梯度。 - drawRectangleImage.m：在图像上绘制方形框图。 - gamma1.m：gamma校正算法。 - dection.m：预测算法运行入口。 - guiTest.m：Matlab GUI界面生成使用说明。 进行预测之前需要先对样本进行训练，可以使用trainImg.m中的函数。修改正负样本段落件夹路径后开始训练，完成后MATLAB会得到一个SVM分类器。接下来，在dection.m中修改需要进行预测的图片路径以及预测结果路径，并将SVM分类器传入该方法执行。 训练集采用的是武汉大学国家多媒体软件工程技术研究中心开源的人脸口罩数据集（Real-World Masked Face Dataset，RMFD）。
     
  • 基于HOG+LBP+SVM的人脸识别特征融合方法
    优质
    本研究提出了一种结合HOG与LBP特征，并利用SVM进行分类的人脸识别方法，有效提升了人脸识别系统的准确性和鲁棒性。 采用LBP和HOG特征提取融合以及SVM分类的人脸识别程序。
     
  • 基于HOG与SVM的数字识别方法
    优质
    本研究提出了一种基于HOG特征提取和SVM分类器的数字识别方法，有效提高了图像中数字的辨识精度。 在OpenCV3.4.1上使用hog+svm实现了数字识别，包括检测与训练部分。训练已经完成，可以直接运行。