基于傳統(tǒng)檢測(cè)算法hog+svm實(shí)現(xiàn)圖像多分類
直接上效果圖：
代碼倉庫和視頻演示b站視頻005期：
到此一游7758258的個(gè)人空間-到此一游7758258個(gè)人主頁-嗶哩嗶哩視頻
代碼展示：
數(shù)據(jù)集在datasets文件夾下
運(yùn)行01train.py即可訓(xùn)練
訓(xùn)練結(jié)束后會(huì)保存模型在本地
運(yùn)行02pyqt.py會(huì)有一個(gè)可視化的界面，通過點(diǎn)擊按鈕加載圖片識(shí)別。
科普相關(guān)知識(shí)：
傳統(tǒng)圖像分類檢測(cè)算法通常包括以下幾種：
支持向量機(jī)（SVM）：SVM是一種監(jiān)督學(xué)習(xí)算法，用于二分類和多分類問題。它通過找到一個(gè)最優(yōu)超平面來將不同類別的數(shù)據(jù)分開。
k最近鄰（K-Nearest Neighbors，KNN）：KNN是一種簡單有效的非參數(shù)算法。對(duì)于一個(gè)未知樣本，KNN通過計(jì)算其與訓(xùn)練集中最近的k個(gè)樣本的距離，然后根據(jù)這些近鄰樣本的標(biāo)簽來進(jìn)行分類。
決策樹（Decision Trees）：決策樹是一種樹狀結(jié)構(gòu)的分類模型，通過在特征空間中遞歸劃分?jǐn)?shù)據(jù)，最終將數(shù)據(jù)分到不同的類別。
隨機(jī)森林（Random Forest）：隨機(jī)森林是一種集成學(xué)習(xí)方法，它結(jié)合多個(gè)決策樹來進(jìn)行分類，并通過投票或平均等方式得出最終結(jié)果。
AdaBoost（自適應(yīng)增強(qiáng)算法）：AdaBoost是一種集成學(xué)習(xí)算法，通過迭代地訓(xùn)練一系列弱分類器，并根據(jù)它們的表現(xiàn)進(jìn)行加權(quán)，從而得到一個(gè)強(qiáng)分類器。
感知器（Perceptron）：感知器是一種最早的神經(jīng)網(wǎng)絡(luò)模型，用于二分類問題。它通過對(duì)輸入進(jìn)行加權(quán)求和，并經(jīng)過一個(gè)閾值函數(shù)來進(jìn)行分類。
尺度不變特征變換（Scale-Invariant Feature Transform，SIFT）：SIFT是一種用于圖像特征提取的算法，通過尋找圖像中的局部特征點(diǎn)，并提取與尺度無關(guān)的特征描述符。
主成分分析（Principal Component Analysis，PCA）：PCA是一種降維算法，可以用于將高維特征轉(zhuǎn)換為低維特征，以減少數(shù)據(jù)的復(fù)雜性。
這些傳統(tǒng)圖像分類檢測(cè)算法在一些簡單的圖像分類任務(wù)上表現(xiàn)良好，但隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)算法在圖像分類領(lǐng)域取得了顯著的進(jìn)展，特別是在大規(guī)模和復(fù)雜數(shù)據(jù)集上的分類任務(wù)中。
PyQt 是一個(gè)用于開發(fā)圖形用戶界面(GUI)的Python綁定庫。它將Qt框架與Python編程語言結(jié)合起來，使開發(fā)者可以使用Python語言創(chuàng)建功能強(qiáng)大、跨平臺(tái)的GUI應(yīng)用程序。
Qt 是一種流行的C++開發(fā)框架，提供了豐富的GUI組件和工具，可用于構(gòu)建各種類型的應(yīng)用程序，包括桌面應(yīng)用程序、移動(dòng)應(yīng)用程序和嵌入式系統(tǒng)。PyQt允許開發(fā)者通過簡單而直觀的Python語法來利用Qt的功能，從而加快應(yīng)用程序的開發(fā)速度。
PyQt提供了一系列模塊和類，使開發(fā)者能夠創(chuàng)建窗口、按鈕、文本框、列表框等各種GUI元素，并為這些元素添加交互性和事件處理。此外，PyQt還支持多線程、數(shù)據(jù)庫連接、網(wǎng)絡(luò)通信等功能，使開發(fā)者能夠構(gòu)建復(fù)雜的GUI應(yīng)用程序。
總之，PyQt是一個(gè)強(qiáng)大的工具，使開發(fā)者能夠使用Python語言開發(fā)跨平臺(tái)的GUI應(yīng)用程序，并利用Qt框架提供的豐富功能和工具。
HOG（Histogram of Oriented Gradients）是一種計(jì)算機(jī)視覺中常用的特征描述子。它被廣泛應(yīng)用于目標(biāo)檢測(cè)和人體姿態(tài)估計(jì)等任務(wù)。
HOG特征描述子通過對(duì)圖像進(jìn)行局部梯度計(jì)算，提取了圖像中不同區(qū)域的方向梯度信息。具體而言，HOG將圖像劃分為小的局部塊，并計(jì)算每個(gè)塊內(nèi)像素點(diǎn)的梯度方向和強(qiáng)度。然后，將這些局部塊的梯度方向信息統(tǒng)計(jì)到直方圖中，形成一個(gè)特征向量表示該塊的特征。最后，將所有塊的特征向量拼接在一起，形成整個(gè)圖像的HOG特征描述子。
HOG特征具有以下特點(diǎn)：
對(duì)于光照變化、陰影以及一定程度的幾何變換具有一定的魯棒性。
通過統(tǒng)計(jì)局部塊的梯度方向信息，能夠捕捉到物體的邊緣和紋理特征。
HOG特征描述子維度相對(duì)較低，便于快速計(jì)算和存儲(chǔ)。
在目標(biāo)檢測(cè)領(lǐng)域，HOG特征通常與機(jī)器學(xué)習(xí)算法（例如支持向量機(jī)）結(jié)合使用，通過訓(xùn)練模型來識(shí)別圖像中的目標(biāo)。HOG特征在人體檢測(cè)方面表現(xiàn)良好，尤其在行人檢測(cè)上應(yīng)用廣泛，并為其他目標(biāo)檢測(cè)任務(wù)提供了一種有效的特征表示方法。
SVM（Support Vector Machine）是一種常見的監(jiān)督學(xué)習(xí)算法，廣泛應(yīng)用于模式分類和回歸任務(wù)中。
SVM的目標(biāo)是找到一個(gè)最優(yōu)的超平面，將不同類別的樣本點(diǎn)在特征空間中盡可能地分開。超平面可以被看作是一個(gè)決策邊界，用于對(duì)新的未標(biāo)記數(shù)據(jù)進(jìn)行分類。SVM通過選擇支持向量（距離超平面最近的訓(xùn)練樣本點(diǎn)）來確定分類邊界，從而實(shí)現(xiàn)對(duì)樣本的有效分類。
SVM具有以下特點(diǎn)：
可以處理高維特征空間，并且在處理高維數(shù)據(jù)時(shí)表現(xiàn)良好。
通過引入核函數(shù)，可以將低維非線性可分問題映射到高維空間進(jìn)行線性分類，從而提高分類準(zhǔn)確率。
SVM具有較強(qiáng)的魯棒性，對(duì)于一些噪聲和異常值具有一定的容忍度。
在訓(xùn)練過程中，SVM只使用支持向量，大大減少了存儲(chǔ)和計(jì)算開銷。
SVM的應(yīng)用包括圖像分類、文本分類、生物信息學(xué)、人臉識(shí)別等領(lǐng)域。它在機(jī)器學(xué)習(xí)中被認(rèn)為是一種經(jīng)典的方法，因其穩(wěn)定性和分類性能而備受關(guān)注。
