在計(jì)算機(jī)視覺(jué)領(lǐng)域，目標(biāo)檢測(cè)技術(shù)作為連接圖像感知與高層語(yǔ)義理解的關(guān)鍵環(huán)節(jié)，其核心需求是從復(fù)雜背景中精準(zhǔn)定位并識(shí)別特定目標(biāo)。在深度學(xué)習(xí)技術(shù)大規(guī)模應(yīng)用前，基于手工設(shè)計(jì)特征與傳統(tǒng)機(jī)器學(xué)習(xí)分類器的組合方案，曾是目標(biāo)檢測(cè)的主流技術(shù)路徑，其中HOG+SVM 算法（方向梯度直方圖 + 支持向量機(jī)）憑借對(duì)目標(biāo)形狀輪廓的強(qiáng)捕捉能力與穩(wěn)定的分類性能，成為行人檢測(cè)、車輛識(shí)別等場(chǎng)景的經(jīng)典解決方案。HOG 特征通過(guò)對(duì)圖像局部梯度信息的統(tǒng)計(jì)建模，有效提取目標(biāo)的形態(tài)特征，而 SVM 分類器則通過(guò)在高維特征空間中構(gòu)建最優(yōu)分類邊界，實(shí)現(xiàn)對(duì)目標(biāo)與非目標(biāo)的精準(zhǔn)區(qū)分。兩者的協(xié)同不僅突破了傳統(tǒng)特征對(duì)光照、小尺度形變的敏感性限制，更奠定了后續(xù)目標(biāo)檢測(cè)技術(shù)的基礎(chǔ)邏輯 ——“特征提取 - 分類判斷” 的兩步式框架。本文將系統(tǒng)闡述 HOG+SVM 算法的核心原理、實(shí)現(xiàn)流程、性能特性及應(yīng)用場(chǎng)景，揭示其在計(jì)算機(jī)視覺(jué)發(fā)展歷程中的重要價(jià)值與技術(shù)局限。

HOG+SVM 算法的核心優(yōu)勢(shì)源于 HOG 特征與 SVM 分類器的互補(bǔ)性：HOG 專注于 “如何從圖像中提取能表征目標(biāo)本質(zhì)的特征”，SVM 則專注于 “如何利用這些特征高效區(qū)分目標(biāo)與非目標(biāo)”，兩者共同構(gòu)成了目標(biāo)檢測(cè)的完整技術(shù)鏈。HOG 特征的設(shè)計(jì)靈感源于人類視覺(jué)系統(tǒng)對(duì)物體形狀的感知邏輯 —— 物體的輪廓信息可通過(guò)其表面灰度變化的梯度方向分布來(lái)刻畫，例如行人的輪廓可通過(guò)軀干、四肢的邊緣梯度方向差異來(lái)區(qū)分。其提取過(guò)程圍繞 “局部梯度統(tǒng)計(jì)” 展開(kāi)：首先對(duì)輸入圖像進(jìn)行灰度化與預(yù)處理，通過(guò)高斯濾波去除噪聲干擾，避免高頻噪聲對(duì)梯度計(jì)算的影響；隨后計(jì)算圖像中每個(gè)像素的梯度方向與梯度大小，梯度方向反映像素灰度變化的趨勢(shì)，梯度大小則反映變化的強(qiáng)度，這一步驟能有效捕捉圖像中的邊緣與紋理信息，例如行人的衣物邊緣、車輛的輪廓線條等；接著將圖像劃分為若干互不重疊的 “細(xì)胞單元”（Cell），通常為 8×8 像素或 16×16 像素，對(duì)每個(gè)細(xì)胞單元內(nèi)所有像素的梯度方向進(jìn)行統(tǒng)計(jì)，構(gòu)建梯度方向直方圖 —— 將梯度方向劃分為若干區(qū)間（如 9 個(gè)區(qū)間，覆蓋 0°-180° 或 0°-360°），統(tǒng)計(jì)每個(gè)區(qū)間內(nèi)梯度大小的總和，形成該細(xì)胞單元的特征向量；為進(jìn)一步提升特征對(duì)光照變化與局部對(duì)比度的魯棒性，需將相鄰的多個(gè)細(xì)胞單元組成 “塊單元”（Block），例如 2×2 個(gè)細(xì)胞單元構(gòu)成一個(gè)塊，對(duì)塊內(nèi)所有細(xì)胞單元的直方圖進(jìn)行歸一化處理 —— 通過(guò) L2 范數(shù)或 L1 范數(shù)歸一化，消除因光照增強(qiáng)導(dǎo)致的梯度整體放大問(wèn)題，確保特征在不同光照條件下的一致性；最后將所有塊單元的歸一化直方圖串聯(lián)，形成整幅圖像（或圖像局部區(qū)域）的 HOG 特征向量，該向量的維度取決于細(xì)胞單元大小、塊單元大小與圖像尺寸，例如 64×128 像素的行人圖像，采用 8×8 細(xì)胞單元與 2×2 塊單元時(shí)，特征向量維度可達(dá) 3780 維，足以刻畫行人的輪廓細(xì)節(jié)。