文件編號：B300

文件大?。?/strong>94M

開發(fā)環(huán)境：Matlab2016

猿創(chuàng)承諾：該項(xiàng)目親測正常運(yùn)行，提供部署視頻，需遠(yuǎn)程調(diào)試部署需另外收費(fèi)，確保正常使用，不能正常使用全額退款。

簡要概述：基于Matlab SVM+HOG行人檢測算法，直接運(yùn)行Optimize.m測試。其中除了SVM部分利用Matlab現(xiàn)有庫，其余皆為自己編寫的程序，由于預(yù)選框采用變尺度滑動，所以運(yùn)行會比較慢。

演示視頻：

點(diǎn)擊查看：系統(tǒng)演示視頻

算法說明：

一、HOG算法流程

  1.計(jì)算輸入圖像（64*128）每個像素點(diǎn)的x,y梯度值。

  2.計(jì)算(x,y)與(0,0)的歐氏距離作為該像素點(diǎn)的梯度幅值，該像素點(diǎn)的梯度方向?yàn)閠an-1=y/x。

  3.每8*8個像素點(diǎn)（Cell）根據(jù)梯度方向統(tǒng)計(jì)其梯度直方圖（分成9個區(qū)間）。

  4.每2*2個Cell(Block)的直方圖連接后歸一化,得到該Block的歸一化特征值向量。

  5.串聯(lián)所有Block的特征值向量，得到最終的特征向量。

  6.以上面數(shù)據(jù)為例，一張輸入圖共有（64/8-1)*(128/8-1)*9*4=3780維。

二、SVM訓(xùn)練

  1.綜合網(wǎng)絡(luò)和自己生成的資源，得到行人圖片庫，統(tǒng)一大?。?4*128）。

  2.通過HOG算法提取每張圖的特征。

  3.將提取到的正反例特征輸入SVM訓(xùn)練，保存得到的SVM參數(shù)。

三、檢測算法

  1.獲取待測圖片，從小到大生成多尺度變寬高比框選取局部區(qū)域圖像。

  2.對每次的區(qū)域圖像進(jìn)行灰度轉(zhuǎn)化和重新調(diào)整大?。?4*128）。

  3.將步驟2的圖像進(jìn)行HOG特征提取。

  4.將提取到的特征放入訓(xùn)練好的SVM中，得到預(yù)測結(jié)果。

  5.用重疊面積法解決重復(fù)框選問題，得到最終檢測結(jié)果圖。

運(yùn)行效果：

測試圖1分類結(jié)果

測試圖3分類結(jié)果

測試圖4分類結(jié)果

遠(yuǎn)程協(xié)助：

溫馨提示：索煒達(dá).猿創(chuàng)官方提供收費(fèi)遠(yuǎn)程協(xié)助，確保您項(xiàng)目運(yùn)行成功。

點(diǎn)擊查看：遠(yuǎn)程協(xié)助相關(guān)事項(xiàng)

我們提供完整項(xiàng)目文件清單如下：

文件目錄

 ├ 1.項(xiàng)目源碼

 ├ 2.配套文檔

 └ 3.系統(tǒng)演示視頻