利用hog和svm识别图片有无人脸的代码

利用霍夫关键点检测（Histogram of Oriented Gradients, HOG）和支持向量机（Support Vector Machine, SVM）进行人脸识别的基本步骤可以分为以下几个部分：

1. **图像预处理**:
- 转换为灰度图像，减少颜色信息对HOG的影响。
- 分割出感兴趣区域，比如人脸可能所在的区域。

2. **提取HOG特征**:
- 计算每个小窗口（cell）内像素的梯度方向直方图。
- 将相邻窗口的直方图串联起来形成描述子（Descriptor），通常使用block-wise normalization（归一化块）来增强对比度。

3. **计算描述符池**:
- 对整个图像或感兴趣区域内所有窗口应用HOG计算，得到一组描述符。

4. **创建训练集**:
- 使用已标记的人脸数据集，每张包含人脸的图片生成对应的HOG特征描述子作为正样本。
- 同样地，对于无脸图片，可以选择随机位置填充噪声或空白，然后提取特征作为负样本。

5. **训练SVM**:
- 将正样本和负样本特征输入到SVM分类器中进行训练，选择合适的核函数（如线性、多项式或高斯径向基函数RBF）。

6. **人脸检测**:
- 在新的待识别图片上，同样使用HOG进行窗口滑动，每窗口提取特征。
- 然后将这些特征传递给训练好的SVM，判断是否为人脸。

7. **决策与反馈**:
- 如果SVM输出的概率超过某个阈值，认为存在人脸；反之则认为是背景或其他物体。

以下是Python（OpenCV库）的一个简要示例代码片段：

import cv2
from skimage.feature import hog
from sklearn import svm

# ... (假设已经读取并预处理了图片)

# HOG 参数设置
win_size = (64, 64)
block_size = (16, 16)
orientations = 9
pixels_per_cell = (8, 8)
cells_per_block = (2, 2)

# 提取HOG特征
def extract_hog_features(img):
    return hog(img, orientations=orientations,
               pixels_per_cell=pixels_per_cell,
               cells_per_block=cells_per_block)

# 训练SVM
hog_features = []  # 存储特征
labels = [0] * len(noface_samples) + [1] * len(face_samples)  # 0代表无脸，1代表人脸
clf = svm.LinearSVC()
clf.fit(hog_features, labels)

# 新图片识别
test_img = ...  # 加载一张待识别图片
features = extract_hog_features(test_img)
prediction = clf.predict([features])

if prediction[0] == 1:
    print("检测到人脸")
else:
    print("未检测到人脸")