HOG+SVM目标检测是计算机视觉领域中经典的传统方法，通过手工设计的HOG特征与强分类能力的SVM模型相结合，在行人检测等任务中展现出优异性能。尽管深度学习方法的兴起，HOG+SVM在计算资源受限的场景（如嵌入式设备）和需要高可解释性的应用中仍具有独特优势。本文将从HOG特征提取原理、SVM分类器训练优化及多尺度滑动窗口检测框架三个方面，系统阐述HOG+SVM目标检测的实现路径与关键技术点。一、HOG特征提取原理与参数设置**HOG（方向梯度直方图）**是计算机视觉中专为检测具有明显边缘结构的物体（如行人）设计的特征描述符，其核心思想是通过统计图像局部区域的梯度方向分布，捕捉物体的轮廓形状信息。1.1 HOG特征提取流程HOG特征提取包含以下五个关键步骤：图像预处理：灰度化：去除颜色信息干扰伽马校正：优化图像对比度，增强边缘信息高斯滤波：平滑噪声，同时保留边缘特征尺寸标准化：将图像统一调整为固定尺寸（如64×128像素）计算梯度：使用Sobel算子或类似梯度算子计算每个像素的水平梯度(Gx)和垂直梯度(Gy)计算梯度幅值：G = √(Gx² + Gy²)计算梯度方向：θ = arctan(Gy/Gx)（通常将梯度方向限制在0°-180°区间内