第七版Indroduction_to_Mathematica_Statistics.Hogg,McKean,Craigseventhedition.pdfUIUC的STAT401统计课程教材ContentsPrefaceix1ProbabilityandDistributions11.1Introduction................................11.2SetTheory................................31.3TheProbabilitySetFunction......................101.4ConditionalProbabilityandIndependence...............211.5RandomVariables............................321.6DiscreteRandomVariables.......................401.6.1Transformations.........................421.7ContinuousRandomVariables......................441.7.1Transformations.........................461.8ExpectationofaRandomVariable...................521.9SomeSpecialExpectations.......................571.10ImportantInequalities..........................682MultivariateDistributions732.1DistributionsofTwoRandomVariables................732.1.1Expectation............................792.2Transformations:BivariateRandomVariables.............842.3ConditionalDistributionsandExpectations..............942.4TheCorrelationCoefficient.......................1022.5IndependentRandomVariables.....................1102.6ExtensiontoSeveralRandomVariables................1172.6.1∗MultivariateVariance-CovarianceMatrix...........1232.7TransformationsforSeveralRandomVariables............1262.8LinearCombinationsofRandomVariables...............1343SomeSpecialDistributions1393.1TheBinomialandRelatedDistributions................1393.2ThePoissonDistribution........................1503.3TheΓ,χ2,andβDistributions.....................1563.4TheNormalDistribution.........................1683.4.1ContaminatedNormals.....................174vviContents3.5TheMultivariateNormalDistribution.................1783.5.1∗Applications...........................1853.6t-andF-Distributions

在2005年CVPR上，来自法国的研究人员NavneetDalal和BillTriggs提出利用Hog进行特征提取，利用线性SVM作为分类器，从而实现行人检测。
而这两位也通过大量的测试发现，HOG+SVM是速度和效果综合平衡性能较好的一种行人检测方法。
后来，虽然很多研究人员也提出了很多改进的行人检测算法，但基本都以该算法为基础框架。
因此，HOG+SVM也成为一个里程表式的算法被写入到OpenCV中。
在OpenCV2.0之后的版本，都有HOG特征描述算子的API，而至于SVM，早在OpenCV1.0版本就已经集成进去

随着生活水平的不断提高，汽车成为人们生活不可或缺的一部分。
汽车总量的不断攀升造成城市交通拥堵不堪，伴随而来是频发的交通事故。
在这个背景下智能交通越来越受到人们的关注，与此相关的目标检测技术的研究也得到很大的关注，车辆检测就是其中一个关键的组成部分。
车辆检测由于其本身具有的挑战性，例如车辆形状的不同，车辆的视角的不同，车辆的遮挡，光照的差异变化，使车辆检测成为一个十分困难的任务。
当前虽然对于车辆检测的研究已经取得一部分的成果，但是现存算法任然具有局限性，在各种环境下无法得到让人满意的效果，因此本文针对车辆检测进行了研究。
本文所做的工作主要包括两个部分：一研究国内外该课题方向的研究现状，对比不同算法的优缺点，研究不同算子提取车辆特征的效果；
二是基于前面的研究实现基于HOG特征与SVM分类器的车辆检测系统，验证研究算法的可行性。
经过车辆检测系统的仿真验证，本文研究的方法可以有效的提取图像中的车辆，效果良好，速度在可接受的范围内。

基于HOG特征提取的图像分类器，HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。
通过将整幅图像分割成小的连接区域称为cells，每个cell生成一个方向梯度直方图或者cell中pixel的边缘方向，这些直方图的组合可表示出所检测目标的目标）描述子。
为改善准确率，局部直方图可以通过计算图像中一个较大区域称为block的光强作为measure被对比标准化，然后用这个measure归一化这个block中的所有cells.这个归一化过程完成了更好的照射/阴影不变性。

HOG测试程序

本人课程作业，直接运行Optimize.m即可进行测试。
其中除了SVM部分利用Matlab现有库，其余皆为自己编写的程序，由于预选框采用变尺度滑动，所以运行会比较慢，请谅解。

文件里有matlab编写的HOG特征提取代码，还有Lena图和我的实验结果图

hogsvm行人检测数据集，人已经抠出来了，内含924张图片

行人检测分类器的训练，训练完可测试效果如何，注意样本的路径问题

作者：BERNTSCHIELE其是计算机视觉以及模式识别方面权威人士，本文重点总结HOG+SVM在分类识别方面的性能，并同其它算法如Adboost,Shapemodebased等都作为了比较，相信对于这方面技术比较感性趣的朋友读完此文之后，对于整个识别算法方面有一个比较全面的了解！

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。