基于OpenCV实现的HOG+SVM自定义对象识别

1，前言

       该案例是很久以前学习课程，最近突然想起来了就实现记录一下。在深度学习逐渐流行的今天，HOG+SVM自定义对象识别的用武之地可能不是很大了，但是在固定场景下，自定义对象如果在图像中的大小较为恒定的情况下，这种办法只需要较少的数据集即可实现不错的识别效果。评价某算法的作用要结合特定的场景，脱离场景谈作用是不太客观的。

2，HOG特征

HOG与SIFT的区别
HOG和SIFT都是描述子，以及由于在具体操作上有很多相似的步骤，所以致使很多人误认为HOG是SIFT的一种，其实两者在使用目的和具体处理细节上是有很大的区别的。HOG与SIFT的主要区别如下：
(1)SIFT是基于关键点特征向量的描述。

(2)HOG是将图像均匀的分成相邻的小块，然后在所有的小块内统计梯度直方图。
(3)SIFT需要对图像尺度空间下对像素求极值点，而HOG中不需要。
(4)SIFT一般有两大步骤，第一个步骤对图像提取特征点，而HOG不会对图像提取特征点。

HOG的优缺点 优点：
(1)HOG表示的是边缘(梯度)的结构特征，因此可以描述局部的形状信息； (2)位置和方向空间的量化一定程度上可以抑制平移和旋转带来的影响；
(3)采取在局部区域归一化直方图，可以部分抵消光照变化带来的影响；
(4)由于一定程度忽略