Python 如何利用线性SVM提高HOG检测器的车辆检测性能？

所以，我想从司机录像机录制的视频中检测汽车。我读了很多书，做了很多研究，但还是不太明白。我确实考虑过将HOG描述符与线性SVM结合使用。但是，既然这对我来说是一项研究，那么它还能以什么方式改进，使它更易于实现和更健壮呢？ 我正在考虑将另一种技术/算法与HOG相结合，但还是有点迷失了方向。我在这方面是个新手

非常感谢您的帮助。我也愿意接受其他更好的想法。

HOG（定向梯度直方图）只是一种可以从数据中计算出来的特定类型的特征向量。计算图像中每个像素处的梯度向量，然后将可能的角度划分为离散数量的单元。在给定的图像子区域中，添加指向给定方向的渐变的总大小，作为包含该方向的相关角度面元的条目

这就给你留下了一个向量，它的长度等于你选择用来划分角度范围的箱子的数量，并充当一个非标准化的直方图

如果要计算同一子区域的其他图像特征，例如像素之和、锐角或线条的某些度量、颜色分布的各个方面等等，可以计算任意多或任意少，也可以将它们排列成一个长向量，并简单地将该特征向量与HOG向量连接起来

您可能还希望为几个不同的比例级别重复计算HOG向量，以帮助捕获一些比例可变性，将每个特定于比例的HOG向量连接到整体特征向量上。还有其他特征概念，如和其他，创建这些概念是为了自动说明比例不变性

您可能需要进行一些规范化或缩放，您可以在任何标准SVM指南中阅读这些内容。标准是一个很好的起点

您必须小心地正确组织您的特征向量，因为特征向量中可能有大量的组件，并且您必须确保它们始终被计算并放置在相同的顺序中，并进行完全相同的缩放或规范化处理。

HOG（定向梯度直方图）只是可以从数据中计算出的某种类型的特征向量。计算图像中每个像素处的梯度向量，然后将可能的角度划分为离散数量的单元。在给定的图像子区域中，添加指向给定方向的渐变的总大小，作为包含该方向的相关角度面元的条目

这就给你留下了一个向量，它的长度等于你选择用来划分角度范围的箱子的数量，并充当一个非标准化的直方图

如果要计算同一子区域的其他图像特征，例如像素之和、锐角或线条的某些度量、颜色分布的各个方面等等，可以计算任意多或任意少，也可以将它们排列成一个长向量，并简单地将该特征向量与HOG向量连接起来

您可能还希望为几个不同的比例级别重复计算HOG向量，以帮助捕获一些比例可变性，将每个特定于比例的HOG向量连接到整体特征向量上。还有其他特征概念，如和其他，创建这些概念是为了自动说明比例不变性

您可能需要进行一些规范化或缩放，您可以在任何标准SVM指南中阅读这些内容。标准是一个很好的起点

您必须小心地正确组织特征向量，因为特征向量中可能包含大量的组件，并且您必须确保它们始终被计算并放置在相同的顺序中，并经历完全相同的缩放或规范化处理