基于傳統(tǒng)檢測(cè)算法hog+svm實(shí)現(xiàn)目標(biāo)檢測(cè)
?直接上效果圖：
?代碼倉(cāng)庫(kù)和視頻演示b站視頻004期：
代碼展示：
?數(shù)據(jù)集在data文件夾下
需要檢測(cè)的目標(biāo)對(duì)象數(shù)據(jù)集放在positive文件夾下
?不需要的檢測(cè)對(duì)象放在negative文件夾下
?運(yùn)行01train_SVM.py即可訓(xùn)練
訓(xùn)練結(jié)束后會(huì)保存模型在weights文件夾下
運(yùn)行02pyqt.py會(huì)有一個(gè)可視化的界面，通過(guò)點(diǎn)擊按鈕加載圖片識(shí)別。
科普相關(guān)知識(shí)：
PyQt 是一個(gè)用于開(kāi)發(fā)圖形用戶(hù)界面(GUI)的Python綁定庫(kù)。它將Qt框架與Python編程語(yǔ)言結(jié)合起來(lái)，使開(kāi)發(fā)者可以使用Python語(yǔ)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(kāi)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(lèi)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(kāi)發(fā)者通過(guò)簡(jiǎn)單而直觀的Python語(yǔ)法來(lái)利用Qt的功能，從而加快應(yīng)用程序的開(kāi)發(fā)速度。
PyQt提供了一系列模塊和類(lèi)，使開(kāi)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(xiàn)程、數(shù)據(jù)庫(kù)連接、網(wǎng)絡(luò)通信等功能，使開(kāi)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(kāi)發(fā)者能夠使用Python語(yǔ)言開(kāi)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(jué)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(guò)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(guò)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(guò)訓(xùn)練模型來(lái)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(jiàn)的監(jiān)督學(xué)習(xí)算法，廣泛應(yīng)用于模式分類(lèi)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(lèi)別的樣本點(diǎn)在特征空間中盡可能地分開(kāi)。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(lèi)。SVM通過(guò)選擇支持向量（距離超平面最近的訓(xùn)練樣本點(diǎn)）來(lái)確定分類(lèi)邊界，從而實(shí)現(xiàn)對(duì)樣本的有效分類(lèi)。
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(guò)引入核函數(shù)，可以將低維非線(xiàn)性可分問(wèn)題映射到高維空間進(jìn)行線(xiàn)性分類(lèi)，從而提高分類(lèi)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(guò)程中，SVM只使用支持向量，大大減少了存儲(chǔ)和計(jì)算開(kāi)銷(xiāo)。
SVM的應(yīng)用包括圖像分類(lèi)、文本分類(lèi)、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(lèi)性能而備受關(guān)注。
