【B300】基于Matlab SVM+HOG行人检测算法

2022-04-24 17:52:15      索炜达电子      1608     

文件编号:B300

文件大小:94M

开发环境:Matlab2016

猿创承诺:该项目亲测正常运行,提供部署视频,需远程调试部署需另外收费,确保正常使用,不能正常使用全额退款。

简要概述:基于Matlab SVM+HOG行人检测算法,直接运行Optimize.m测试。其中除了SVM部分利用Matlab现有库,其余皆为自己编写的程序,由于预选框采用变尺度滑动,所以运行会比较慢。

演示视频:

【B300】基于Matlab SVM+HOG行人检测算法

点击查看:系统演示视频

算法说明:

一、HOG算法流程

  1.计算输入图像(64*128)每个像素点的x,y梯度值。

  2.计算(x,y)与(0,0)的欧氏距离作为该像素点的梯度幅值,该像素点的梯度方向为tan-1=y/x。

  3.每8*8个像素点(Cell)根据梯度方向统计其梯度直方图(分成9个区间)。

  4.每2*2个Cell(Block)的直方图连接后归一化,得到该Block的归一化特征值向量。

  5.串联所有Block的特征值向量,得到最终的特征向量。

  6.以上面数据为例,一张输入图共有(64/8-1)*(128/8-1)*9*4=3780维。

二、SVM训练

  1.综合网络和自己生成的资源,得到行人图片库,统一大小(64*128)。

  2.通过HOG算法提取每张图的特征。

  3.将提取到的正反例特征输入SVM训练,保存得到的SVM参数。

三、检测算法

  1.获取待测图片,从小到大生成多尺度变宽高比框选取局部区域图像。

  2.对每次的区域图像进行灰度转化和重新调整大小(64*128)。

  3.将步骤2的图像进行HOG特征提取。

  4.将提取到的特征放入训练好的SVM中,得到预测结果。

  5.用重叠面积法解决重复框选问题,得到最终检测结果图。

运行效果:

【B300】基于Matlab SVM+HOG行人检测算法

测试图1分类结果

【B300】基于Matlab SVM+HOG行人检测算法

测试图3分类结果

【B300】基于Matlab SVM+HOG行人检测算法

测试图4分类结果

远程协助:

温馨提示:索炜达.猿创官方提供收费远程协助,确保您项目运行成功。

点击查看:远程协助相关事项

我们提供完整项目文件清单如下:

文件目录

 ├ 1.项目源码

 ├ 2.配套文档

 └ 3.系统演示视频

TAG行人检测
  • 2 次
  • 2400 分