SVM 分類器在 HOG+SVM 算法中承擔 “分類器” 角色，其核心功能是學習 HOG 特征與 “目標 / 非目標” 標簽之間的映射關系，實現(xiàn)對輸入特征的類別判斷。SVM 的核心邏輯是 “間隔最大化”—— 在高維特征空間中尋找一個最優(yōu)分類超平面，使該超平面與距離最近的正樣本（目標，如行人）和負樣本（非目標，如背景、樹木）之間的距離（即 “間隔”）最大化。這種間隔最大化的特性賦予了 SVM 兩大優(yōu)勢：一是對高維特征的適應性，HOG 特征向量通常為數(shù)千維，傳統(tǒng)分類器（如邏輯回歸）易因 “維度災難” 導致過擬合，而 SVM 通過核函數(shù)（如線性核、RBF 核）將高維特征映射到更適合分類的空間，無需直接計算高維空間中的復雜運算，在 HOG 特征的處理中表現(xiàn)出優(yōu)異的穩(wěn)定性；二是對小樣本數(shù)據(jù)的魯棒性，SVM 的分類性能僅依賴于 “支持向量”—— 即距離分類超平面最近的樣本點，這些樣本點是區(qū)分目標與非目標的關鍵，少量支持向量即可確定分類邊界，因此在訓練樣本有限的場景下，SVM 仍能保持較高的分類精度。在 HOG+SVM 的訓練過程中，首先需構建標注樣本集：正樣本為包含目標的圖像區(qū)域（如裁剪后的行人圖像），負樣本為不包含目標的圖像區(qū)域（如街道背景、建筑墻面）；將所有樣本的 HOG 特征與對應標簽（正樣本為 1，負樣本為 - 1）輸入 SVM，通過梯度下降等優(yōu)化算法調(diào)整分類超平面參數(shù)，直至間隔最大化；訓練完成后，SVM 即可對新輸入的 HOG 特征向量進行預測，輸出該特征對應的類別標簽，判斷其是否為目標。

HOG+SVM 算法的實現(xiàn)流程遵循 “預處理 - 特征提取 - 模型訓練 - 目標檢測” 的經(jīng)典路徑，每個環(huán)節(jié)的參數(shù)選擇與操作細節(jié)直接影響最終檢測性能。在預處理階段，除灰度化與高斯濾波外，部分場景還需進行圖像尺寸歸一化 —— 將輸入圖像（或檢測窗口）調(diào)整為固定尺寸（如行人檢測常用 64×128 像素），確保 HOG 特征向量的維度一致性，避免因目標尺寸差異導致的特征不匹配；對于存在明顯光照不均的場景，還可通過直方圖均衡化增強局部對比度，進一步提升梯度計算的準確性。特征提取階段的參數(shù)選擇需結合目標特性：細胞單元大小需平衡細節(jié)捕捉與計算效率 ——8×8 像素的細胞單元能捕捉更精細的邊緣（如行人的手指輪廓），但會增加特征維度與計算量；塊單元大小通常選擇 2×2 或 3×3 個細胞單元，確保歸一化范圍能覆蓋局部光照變化；梯度方向區(qū)間數(shù)量一般為 9 或 12，既能區(qū)分不同方向的梯度，又避免區(qū)間過多導致的統(tǒng)計稀疏性。模型訓練階段需注意樣本均衡與參數(shù)調(diào)優(yōu)：若正樣本數(shù)量遠少于負樣本，易導致 SVM 偏向預測負樣本，需通過負樣本挖掘（如從初步檢測結果中篩選誤判的非目標區(qū)域作為新負樣本）平衡樣本分布；SVM 的核函數(shù)選擇需根據(jù)特征特性 ——HOG 特征具有較強的線性可分性，線性核通常能滿足需求且計算速度快，而對于復雜背景下的目標檢測（如行人與相似服飾的背景混淆），RBF 核可通過非線性映射提升分類精度，但會增加計算成本。目標檢測階段采用 “滑動窗口” 策略：以固定尺寸的窗口遍歷整幅圖像，對每個窗口提取 HOG 特征，輸入訓練好的 SVM 進行分類；為處理不同尺寸的目標，需構建多尺度窗口金字塔 —— 將圖像按不同比例縮放，在每個尺度下進行滑動窗口檢測，再通過非極大值抑制（NMS）去除重疊的檢測框，保留置信度最高的檢測結果，最終實現(xiàn)對整幅圖像中目標的定位與識別。