Ⅰ 如何将opencv里的HOG算法提取出来做成dll
首先去opencv的安装路径下moles\objdetect目录中找到hog的头文件和源代码，然后把里面用到的相关的类，函数等也找出来，单独写成.h和.cpp文件，最后放到工程里面编译生成dll。不过这个工作量应该相当大，我尝试过把haar检测单独提取出来，但是没成功，里面的各种类的相互关系太复杂了。
Ⅱ 图像识别算法都有哪些
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。一般工业使用中，采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理，图像识别软件国外代表的有康耐视等，国内代表的有图智能等。另外在地理学中指将遥感图像进行分类的技术。
Ⅲ 图像的特征提取都有哪些算法
图像的经典特征提取方法：
1 HOG(histogram of Oriented Gradient,方向梯度直方图）
2 SIFT(Scale-invariant features transform,尺度不变特征变换）
3 SURF(Speeded Up Robust Features,加速稳健特征，对sift的改进）
4 DOG(Difference of Gaussian，高斯函数差分)
5 LBP(Local Binary Pattern,局部二值模式）
6 HAAR(haar-like ,haar类特征，注意haar是个人名，haar这个人提出了一个用作滤波器的小波，为这个滤波器命名为haar滤波器，后来有人把这个滤波器用到了图像上，就是图像的haar特征）
图像的一般提取特征方法：
1 灰度直方图，颜色直方图
2 均值，方差
3 信号处理类的方法：灰度共生矩阵，Tamura纹理特征，自回归纹理特征，小波变换。
4 傅里叶形状描述符，小波描述符等，
Ⅳ HOG算法什么意思
特征梯度直方图算法，现在非常流行的一种行人检测的算法，一般配合LBP和SVM分类器效果很好。你要想具体了解可以去WIKI 或者 navneet的网站看看专业解释。
不过HOG函数已经集成在了OPENCV库里面，因此其实没有必要非要搞懂这个算法。。。
Ⅳ 图像hog特征 最边上像素点怎么计算
这个问题我问过老师了，if((pImg = cvLoadImage( "路径文件",0)) != 0 )
Ⅵ 如何将hog 特征进行svm matlab
（1）准备训练样本集合；包括正样本集和负样本集；根据机器学习的基础知识我们知道，要利用机器学习算法进行样本训练，从而得到一个性能优良的分类器，训练样本应该是无限多的，而且训练样本应该覆盖实际应用过程中可能发生的各种情况。（很多朋友，用10来个正样本，10来
个负样本进行训练，之后，就进行测试，发现效果没有想象中的那么好，就开始发牢骚，抱怨。。。对于这些人，我只能抱歉的说，对于机器学习、模式识别的认
识，你还处于没有入门的阶段）；实际应用过程中，训练样本不可能无限多，但无论如何，三五千个正样本，三五千个负样本，应该不是什么难事吧？（如果连这个
都做不到，建议你别搞机器学习，模式识别了；训练素材都没有，怎么让机器学习到足够的信息呢？）
（2）收集到足够的训练样本之后，你需要手动裁剪样本。例如，你想用Hog+SVM来对商业步行街的监控画面中进行行人检测，那么，你就应该用收集到的训练样本集合，手动裁剪画面中的行人（可以写个简单程序，只需要鼠标框选一下，就将框选区域保存下来）。
（3）裁剪得到训练样本之后，将所有正样本放在一个文件夹中；将所有负样本放在另一个文件夹中；并将所有训练样本缩放到同样的尺寸大小。OpenCV自带的例子在训练时，就是将样本缩放为64*128进行训练的；
（4）提取所有正样本的Hog特征；
（5）提取所有负样本的Hog特征；
（6）对所有正负样本赋予样本标签；例如，所有正样本标记为1，所有负样本标记为0；
（7）将正负样本的Hog特征，正负样本的标签，都输入到SVM中进行训练；Dalal在论文中考虑到速度问题，建议采用线性SVM进行训练。这里，不妨也采用线性SVM；
（8）SVM训练之后，将结果保存为文本文件。
（9）线性SVM进行训练之后得到的文本文件里面，有一个数组，叫做support vector，还有一个数组，叫做alpha,有一个浮点数，叫做rho;将alpha矩阵同support vector相乘，注意，alpha*supportVector,将得到一个列向量。之后，再该列向量的最后添加一个元素rho。如此，变得到了一个分类器，利用该分类器，直接替换opencv中行人检测默认的那个分类器（cv::HOGDescriptor::setSVMDetector()），就可以利用你的训练样本训练出来的分类器进行行人检测了。
Ⅶ opencv 2.4.9 hog svm 在哪个 库
OpenCV的全称是：Open Source Computer Vision Library。OpenCV是一个基于（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
现本教程，是在windows平台下使用visual studio2013和opencv2.4.9配置一个开发环境。
工具/原料
opencv2.4.9地址：https://sourceforge.net/projects/opencvlibrary/files/opencv-win/2.4.9/opencv-2.4.9.exe/download
vs2013请自行网络
方法/步骤
安装opencv2.4.9，解压，请务必记住自己解压的路径。宜家以我自己的路径为例D:\Program Files
配置环境变量
1、系统变量 Path：添加D:\Program Files\opencv\build\x86\vc12\bin
2、用户变量：添加opencv变量，值D:\Program Files\opencv\build，添加PATH变量（有就不需要添加，但是值需要添加）值D:\Program Files\opencv\build\x86\vc12\bin
说明：不管你系统是32位还是64位，路径目录均选择X86，因为编译都是使用32位编译；如果选用X64，则程序运行时候会出错。
新建visual C项目
新建 visual C++项目，如下图所示，项目选项注意：如下图。
工程目录的配置（Debug）
找到属性管理器，如果找不到，请安装下图方法找到。双击Debug|Win32打开如下窗口，
设置如下：（下图红框项为设置项）
1、包含目录：（VC++目录）
D:\Program Files\opencv\build\include
D:\Program Files\opencv\build\include\opencv
D:\Program Files\opencv\build\include\opencv2
2、库目录：（VC++目录）D:\Program Files\opencv\build\x86\vc12\lib
3、连接器->输入->附加依赖项：
opencv_ml249d.lib
opencv_calib3d249d.lib
opencv_contrib249d.lib
opencv_core249d.lib
opencv_features2d249d.lib
opencv_flann249d.lib
opencv_gpu249d.lib
opencv_highgui249d.lib
opencv_imgproc249d.lib
opencv_legacy249d.lib
opencv_objdetect249d.lib
opencv_ts249d.lib
opencv_video249d.lib
opencv_nonfree249d.lib
opencv_ocl249d.lib
opencv_photo249d.lib
opencv_stitching249d.lib
opencv_superres249d.lib
opencv_videostab249d.lib
其实以上都是D:\Program Files\opencv\build\x86\vc12\lib下所有的lib文件，你会发现，有的后面带上d，有的没有d，这是因为Debug的就有d，Release则没有d。
Ⅷ 深度学习比sift,spin image,HoG,RIFT,GLOH,Textons等传统特征提取好在哪
深度学习，提取特征需要大的图像库（目前一般都百万级了）。
传统方法，提取特征一幅图像就可以。