基于 HOG 特征提取的 SVM 行人头肩训练,是那种一听就知道是老派实用派的项目,技术老但管用,适合搞传统 CV 项目的朋友。HOG 提特征,SVM 来分,结构清晰,不花哨但挺稳当。适合你想快速搭个检测模型用在监控、交通这些场景时,不想折腾深度学习就靠它了。
HOG+SVM行人头肩检测模型
相关推荐
车辆检测中的 HOG-SVM 方法及其在 MATLAB 中的实现
本项目利用 HOG 特征提取和 SVM 分类相结合的方法进行车辆检测。该方法以 MATLAB 为实现平台,并提供了以下内容:- MATLAB 代码- 数据集- 文件幻灯片- Latex 编写的报告该方法在越南交通视频数据集上进行评估,检测结果已展示在报告中。
Matlab
14
2024-05-31
hog_svm模型在matlab中的图像过滤器代码
这个文件夹包含了用于好/坏锅过滤器的hog_svm matlab代码。要使用它,请首先在matlab中运行tag.m,为您的训练和测试集添加标签。该程序将生成一个txt文件,记录文件名及其标签(1表示好,2表示坏)。其次,使用change_size.py将所有图片调整为相同的尺寸,以便模型可以高效地训练。建议的尺寸为128x128像素,过小可能影响准确率,过大可能增加训练时间。最后,您可以运行hog_svm.py进行基于hog_svm模型的训练和测试,或者使用train.py和test.py基于tensorflow的ML模型进行训练和测试。
Matlab
10
2024-08-01
HOG SVM Matlab Code-Sliding Window Face Detection
本代码使用定向梯度直方图(HOG)和支持向量机(SVM)来区分实际的人脸对象与非人脸对象,具体实现基于Matlab。代码位于名为code的目录中,必要的数据集存放在data目录中。该方法采用滑动窗口技术,在图像中逐步扫描并检测出可能存在的人脸区域。
Matlab
6
2024-11-06
Matlab实现人头检测的代码示例——Facenet演示
描述了使用Matlab实现人头检测和Facenet演示的代码。该项目基于TensorFlow实现了人脸识别器,结合了最新的研究成果和技术更新。更新内容包括删除了旧版本非超薄机型的代码,将瓶颈层移到各个模型中,并修正了中心损失的规范化问题。此外,还添加了生成128维嵌入的预训练模型,并实现了持续集成。
Matlab
17
2024-07-22
Matlab人头检测代码YoloV5-onnx-Matlab简易推理演示
简要介绍了Matlab环境下的人头检测代码,采用YoloV5-onnx模型进行推理。支持YoloV5s.onnx、YoloV5m.onnx、YoloV5l.onnx和YoloV5x.onnx模型,输出尺寸为1×255×H×W(可根据需要调整)。使用Matlab R2021a或更新版本,无其他依赖,只需运行demo.mlx即可实现检测。详细代码和预训练模型可在百度盘获取。
Matlab
6
2024-08-02
Matlab人头检测代码Facenet_m360 Facenet@davidsandberg自学心得
Matlab人头检测代码,这篇文章描述了使用TensorFlow实现的人脸识别器。该项目借鉴了牛津大学论文的理念,并在Ubuntu 14.04、Python 2.7和Python 3.5环境下,TensorFlow r1.7版本进行了测试。代码兼容性强,测试用例和结果详实。更新至2018-04-10,增加了在Casia-WebFace和VGGFace2数据集上训练的新模型。注意,这些模型采用了固定的图像标准化。2018-03-31更新包括新的输入管道和多个次要改进。2017-05-13移除了旧版不再支持的机型,优化了模型性能。
Matlab
11
2024-07-16
MATLAB虫害检测SVM算法GUI界面优化.zip
优化MATLAB虫害检测SVM算法的GUI界面,以提升用户体验和操作效率。
Matlab
13
2024-07-30
MATLAB虫害检测SVM算法设计优化【程序GUI】
本项目是作者自行设计,具备GUI界面,操作简便,适合初学者及进阶者学习。下载后可直接运行,为计算机、通信、人工智能和自动化等相关专业的学生、教师及从业人员提供支持。适用于期末课程设计、大作业及毕业设计,具备高度学习参考价值。对于有基础的使用者,可以根据需要进行二次开发。
Matlab
12
2024-09-13
SVM优化策略综述基于SMO算法的多核SVM模型探索与应用
在matlab开发环境中,利用SMO求解器和不同的内核(包括线性、rbf、多项式、sigmoid)创建SVM模型。通过在svm_test.m文件中运行示例,训练集的特征矩阵x(mxn)包含m个样本和n个特征,带有对应的标签向量y(mx1)。SMO求解器使用常数C和容差参数tol来优化模型训练。选择内核类型('l'代表线性,'r'代表rbf,'p'代表多项式,'s'代表sigmoid),并根据不同内核类型调整额外参数(如gamma、偏移和功率)。训练结果通过alpha系数和阈值b来确定分类边界。SMO算法支持从训练好的SVM模型中预测测试集样本的标签。
Matlab
14
2024-08-27