基于传统检测算法hog+svm实现图像多分类

直接上效果图：

代码仓库和视频演示b站视频005期：

到此一游7758258的个人空间-到此一游7758258个人主页-哔哩哔哩视频

代码展示：

数据集在datasets文件夹下

运行01train.py即可训练

训练结束后会保存模型在本地

运行02pyqt.py会有一个可视化的界面，通过点击按钮加载图片识别。

科普相关知识：

传统图像分类检测算法通常包括以下几种：

支持向量机（SVM）：SVM是一种监督学习算法，用于二分类和多分类问题。它通过找到一个最优超平面来将不同类别的数据分开。
k最近邻（K-Nearest Neighbors，KNN）：KNN是一种简单有效的非参数算法。对于一个未知样本，KNN通过计算其与训练集中最近的k个样本的距离，然后根据这些近邻样本的标签来进行分类。
决策树（Decision Trees）：决策树是一种树状结构的分类模型，通过在特征空间中递归划分数据，最终将数据分到不同的类别。
随机森林（Random Forest）：随机森林是一种集成学习方法，它结合多个决策树来进行分类，并通过投票或平均等方式得出最终结果。
AdaBoost（自适应增强算法）：AdaBoost是一种集成学习算法，通过迭代地训练一系列弱分类器，并根据它们的表现进行加权，从而得到一个强分类器。
感知器（Perceptron）：感知器是一种最早的神经网络模型，用于二分类问题。它通过对输入进行加权求和，并经过一个阈值函数来进行分类。
尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）：SIFT是一种用于图像特征提取的算法，通过寻找图像中的局部特征点，并提取与尺度无关的特征描述符。
主成分分析（Principal Component Analysis，PCA）：PCA是一种降维算法，可以用于将高维特征转换为低维特征，以减少数据的复杂性。

这些传统图像分类检测算法在一些简单的图像分类任务上表现良好，但随着深度学习的发展，卷积神经网络（CNN）等深度学习算法在图像分类领域取得了显著的进展，特别是在大规模和复杂数据集上的分类任务中。

PyQt 是一个用于开发图形用户界面(GUI)的Python绑定库。它将Qt框架与Python编程语言结合起来，使开发者可以使用Python语言创建功能强大、跨平台的GUI应用程序。

Qt 是一种流行的C++开发框架，提供了丰富的GUI组件和工具，可用于构建各种类型的应用程序，包括桌面应用程序、移动应用程序和嵌入式系统。PyQt允许开发者通过简单而直观的Python语法来利用Qt的功能，从而加快应用程序的开发速度。

PyQt提供了一系列模块和类，使开发者能够创建窗口、按钮、文本框、列表框等各种GUI元素，并为这些元素添加交互性和事件处理。此外，PyQt还支持多线程、数据库连接、网络通信等功能，使开发者能够构建复杂的GUI应用程序。

总之，PyQt是一个强大的工具，使开发者能够使用Python语言开发跨平台的GUI应用程序，并利用Qt框架提供的丰富功能和工具。

HOG（Histogram of Oriented Gradients）是一种计算机视觉中常用的特征描述子。它被广泛应用于目标检测和人体姿态估计等任务。

HOG特征描述子通过对图像进行局部梯度计算，提取了图像中不同区域的方向梯度信息。具体而言，HOG将图像划分为小的局部块，并计算每个块内像素点的梯度方向和强度。然后，将这些局部块的梯度方向信息统计到直方图中，形成一个特征向量表示该块的特征。最后，将所有块的特征向量拼接在一起，形成整个图像的HOG特征描述子。

HOG特征具有以下特点：

对于光照变化、阴影以及一定程度的几何变换具有一定的鲁棒性。
通过统计局部块的梯度方向信息，能够捕捉到物体的边缘和纹理特征。
HOG特征描述子维度相对较低，便于快速计算和存储。

在目标检测领域，HOG特征通常与机器学习算法（例如支持向量机）结合使用，通过训练模型来识别图像中的目标。HOG特征在人体检测方面表现良好，尤其在行人检测上应用广泛，并为其他目标检测任务提供了一种有效的特征表示方法。

SVM（Support Vector Machine）是一种常见的监督学习算法，广泛应用于模式分类和回归任务中。

SVM的目标是找到一个最优的超平面，将不同类别的样本点在特征空间中尽可能地分开。超平面可以被看作是一个决策边界，用于对新的未标记数据进行分类。SVM通过选择支持向量（距离超平面最近的训练样本点）来确定分类边界，从而实现对样本的有效分类。

SVM具有以下特点：

可以处理高维特征空间，并且在处理高维数据时表现良好。
通过引入核函数，可以将低维非线性可分问题映射到高维空间进行线性分类，从而提高分类准确率。
SVM具有较强的鲁棒性，对于一些噪声和异常值具有一定的容忍度。
在训练过程中，SVM只使用支持向量，大大减少了存储和计算开销。

SVM的应用包括图像分类、文本分类、生物信息学、人脸识别等领域。它在机器学习中被认为是一种经典的方法，因其稳定性和分类性能而备受关注。