企业官网建设流程全解析

简介：本资源是一套基于HOG特征与核SVM的交通标志分类完整MATLAB实现方案，面向机器学习初学者、智能交通系统开发者及自动驾驶算法实践者，解决真实场景下交通标志识别与可视化标注问题。压缩包含704个文件（701张PNG格式交通标志样本图像、2个核心训练脚本trainClassifier.m与trainStopSignClassifier.m、1个FPGA协同部署说明txt），总大小8.4MB；图像数据覆盖多类标志，脚本封装了HOG特征提取、高斯核SVM训练、参数调优及分类结果叠加标注全流程，支持MATLAB 2021a及以上版本直接运行。已有319人学习下载，资源提供开箱即用的端到端代码框架、典型标志样本集、可复用的特征工程模块及硬件部署线索，便于读者快速掌握传统CV+机器学习在交通识别任务中的落地路径，并为后续迁移至嵌入式平台（如FPGA）提供基础支撑。 交通标志识别这几年其实已经不算新鲜事了，但如果你在学校课题、毕业设计或者竞赛里被安排到“用传统方法实现一个交通标志分类系统”，那 HOG + SVM 这套组合依然是绕不开的经典路线。虽然现在大家都喜欢一上来就上深度学习，但 HOG 特征手工设计思路、SVM 分类器的结构化风险最小化思想，是理解计算机视觉底层逻辑的必修课。这篇文章我用 MATLAB 2021a 完整走了一遍“HOG 特征提取 + 核 SVM 分类 + 交通标志图片标注结果”的仿真流程，里面凡是涉及原理、参数、坑点的地方都会展开讲清楚，代码可以直接抄，希望你少踩几个我踩过的坑。

1. 整体方案设计与思路拆解

1.1 为什么交通标志识别选 HOG + SVM 而不是直接上 CNN？

先说结论：如果你的目标是把识别准确率刷到 99% 以上，深度学习确实更容易达到；但如果你需要快速搭建一套能够解释、可复现、文档齐全的仿真系统，HOG + SVM 的稳定性和可调试性远好于黑盒神经网络。

HOG（Histogram of Oriented Gradients，方向梯度直方图）的核心思想，是把图像的局部梯度方向分布统计成直方图，用这些分布来描述物体的轮廓和纹理形状。交通标志有一个非常适合 HOG 的特点：边缘结构相对规整。无论是圆形禁令标志、三角形警告标志还是矩形指示标志，它们的边框线条、内部图案都有明显的梯度方向规律。HOG 恰好能把这些方向规律编码成特征向量，不受光照变化和轻微平移的影响。

而核 SVM 的作用，是在高维特征空间里找一个最优分类超平面。HOG 特征维度通常上千维，特征分布并不线性可分，直接用线性 SVM 效果一般。核函数的作用就是把原始特征映射到更高维空间，让原本非线性可分的数据在映射后变得可分。这里用的是高斯径向基核（RBF），下面会详细讲。

1.2 系统整体流程分解

整个仿真流程我拆成了五个环节，每个环节对应一个可独立测试的模块：

1. 图像预处理：读取图片、灰度化、尺寸归一化。这一步决定了 HOG 特征的稳定性和 SVM 输入维度的一致性。
2. HOG 特征提取：用 MATLAB 内置的extractHOGFeatures提取特征向量，同时返回可视化结果用于人工核验。
3. 核 SVM 模型训练：准备正负样本数据集，构造标签，用fitcsvm训练带 RBF 核的 SVM 分类器。
4. 分类预测：对待检测的交通标志图片提取 HOG，送入训练好的模型，得到类别标签和置信分数。
5. 结果标注：在原始图片上绘制检测框、类别文本和置信度，直观展示算法效果。

设计这套流程时，有一个核心取舍：把特征提取和分类器训练彻底解耦。这样即使你后面想换分类器（比如换成随机森林或决策树），或者换特征（比如换成 LBP），只需要替换对应模块即可，不需要改动整体框架。

2. HOG 特征提取原理解读与 MATLAB 实现

2.1 HOG 特征到底在算什么？

初学 HOG 最容易困惑的问题是：这个“梯度直方图”到底怎么来的？我当年看论文看了一整天一头雾水，后来自己动手算了一遍才真正明白。这里用最简单的方式给你拆开。

第一步：计算每个像素的梯度方向和幅值。对灰度图的每个像素点，用水平算子 [-1, 0, 1] 和垂直算子 [-1, 0, 1]^T 分别计算水平梯度 Gx 和垂直梯度 Gy。然后得到该点的梯度幅值：

G = sqrt(Gx^2 + Gy^2)

梯度方向：

theta = atan2(Gy, Gx)（转换为角度制，范围 0~180 度，不考虑方向正负）

第二步：把图像划分成小的 cell。比如 8x8 像素为一个 cell，把这些像素的梯度方向分配到 9 个 bin 中（每个 bin 覆盖 20 度），幅值作为加权值累加，得到这个 cell 的 9 维特征向量。

第三步：把相邻的 cell 组合成 block 做归一化。比如 2x2 个 cell 组成一个 block，block 内 4 个 cell 的直方图串联成 36 维向量，然后做 L2 归一化。这一步是关键，它能有效抑制光照变化和对比度变化对特征的影响。

第四步：滑动 block 遍历整幅图像，把所有归一化后的特征串联起来，形成最终的 HOG 特征向量。

这样一串特征向量，本质上是把“这幅图中哪些位置出现哪些方向的边缘”这个信息编码成了数值序列。对于交通标志这类边缘结构明显的物体，这种编码非常有辨识度。

2.2 MATLAB 中 extractHOGFeatures 的参数选择

MATLAB 的 Computer Vision Toolbox 提供了现成的extractHOGFeatures函数，但参数设置会直接影响特征维度和识别效果。我的常用配置如下：

% 基础参数配置 img = imread('stop_sign.jpg'); if size(img, 3) == 3 img = rgb2gray(img); end cellSize = [8 8]; % 每个 cell 的像素大小，常用 8 或 16 blockSize = [2 2]; % 每个 block 包含的 cell 数 numBins = 9; % 方向直方图的 bin 数量 [hogFeature, visImg] = extractHOGFeatures(img, ... 'CellSize', cellSize, ... 'BlockSize', blockSize, ... 'NumBins', numBins, ... 'BlockOverlap', [1 1]); % block 滑动重叠量 fprintf('HOG特征维度: %d\n', numel(hogFeature));

几个参数的选择逻辑分享一下：

• CellSize 选 8x8 是绝大部分场景的默认选择。它兼顾了细节保留和特征维度。如果你用 16x16，特征维度会下降，但小尺寸交通标志的局部细节可能丢失；用 4x4 则维度膨胀严重，训练速度会非常慢。
• NumBins 选 9是经典论文的推荐值，覆盖 0~180 度，每个 bin 20 度。对交通标志的形状区分度足够。
• BlockOverlap决定 block 滑动的步长。默认重叠一半，能减少 block 边界效应。

这个函数返回的visImg是 HOG 可视化图像，可以直接用imshow显示，方便检查特征是否合理。我第一次跑出来看到交通标志的 HOG 可视化图，边缘轮廓非常清楚，基本就是一个标志外形的“线条骨架”。

2.3 特征可视化与维度计算

一个容易被忽视的细节是：HOG 特征维度一定要在写代码前先算清楚，否则后面训练 SVM 时频繁报维度不匹配错误，你都不知道是哪里出了问题。

维度计算公式：假设输入图像尺寸为 M x N，单元格尺寸为 c x c，则水平和垂直方向的 cell 数量分别为 Mc = floor(M/c) 和 Nc = floor(N/c)。block 大小为 b x b 个 cell，重叠量为 o，则水平和垂直方向的 block 数量分别为：

Bh = (Mc - b) / (b - o) + 1 Bv = (Nc - b) / (b - o) + 1

最终特征维度 = Bh x Bv x b^2 x numBins。

举个例子：64x64 的图像，cellSize = [8 8]，那么 Mc = 8，Nc = 8。blockSize = [2 2]，BlockOverlap = [1 1]，则 Bh = (8-2)/(2-1)+1 = 7，Bv = 7。特征维度 = 7 x 7 x 4 x 9 = 1764 维。

这个 1764 维是我在项目里最常用的特征长度。你可以用这段代码验证：

img = imread('stop_sign.jpg'); img = imresize(img, [64 64]); if size(img, 3) == 3 img = rgb2gray(img); end [hogFeature, ~] = extractHOGFeatures(img, 'CellSize', [8 8]); numel(hogFeature) % 输出 1764

特别注意：所有训练样本和测试样本的输入尺寸必须统一。我在项目里统一imresize到 [64 64]，才能保证特征维度一致。如果你用不同尺寸的图片去提取特征，SVM 会直接报错或出现不可预测的分类结果。

3. 核 SVM 分类器设计与训练

3.1 线性 SVM vs 核 SVM：为什么必须用核？

很多初学者会问：SVM 本身不就是线性分类器吗？为什么还要用核函数？

这里有个关键概念需要澄清：SVM 的决策边界是在特征空间中找最大间隔超平面，这个“空间”可以不是原始特征空间。当数据在原始特征空间中线性不可分时，我们通过核函数把它们映射到更高维的空间，在映射后的空间中找超平面。核函数的巧妙之处在于，你不用真的知道映射函数长什么样，只需要计算两个样本在映射空间中的内积，这就是“核技巧”。

拿交通标志分类来说，HOG 特征 1764 维，不同类别之间的边界非常复杂，线性 SVM 很难分好。RBF 核（高斯核）的表达式是：

K(x, x') = exp(-gamma * ||x - x'||^2)

它能把原始特征映射到无穷维空间，表达能力远强于线性核。代价是计算量更大、更容易过拟合，需要通过交叉验证调参。

在实际项目中，我建议先用线性 SVM 跑一遍基线，再用 RBF 核对比效果。如果线性核准确率已经 95% 以上，优先用线性核，因为模型更简单、泛化能力通常更好、训练预测更快。核 SVM 不是万能的，它是你面对复杂边界时的一张王牌。

3.2 训练数据准备与标签构造

训练数据是交通标志分类项目的“地基”。我当时用的公开数据集是多类别交通标志图片，按类别分文件夹存放。基础的准备流程如下：

% 数据集文件夹结构示例 % dataset/ % ├── stop/ % 停止标志 % ├── yield/ % 让行标志 % ├── pedestrian/ % 行人横道标志 % └── ... % 批量读取图像并提取特征 folderPath = 'dataset/'; categories = {'stop', 'yield', 'pedestrian'}; allFeatures = []; allLabels = []; for i = 1:length(categories) files = dir(fullfile(folderPath, categories{i}, '*.jpg')); for j = 1:length(files) img = imread(fullfile(folderPath, categories{i}, files(j).name)); if size(img, 3) == 3 img = rgb2gray(img); end img = imresize(img, [64 64]); feat = extractHOGFeatures(img, 'CellSize', [8 8]); allFeatures = [allFeatures; feat]; % 累积特征矩阵 allLabels = [allLabels; i]; % 类别标签用 1、2、3 end end

这段代码有两个需要优化的点，我在实际项目中踩过坑：

问题一：用[allFeatures; feat]循环拼接效率极低。数据量几百张时无所谓，但上千张时会非常慢。改进方法：先用zeros预分配矩阵，或者把特征存到 cell 数组中最后一次性cell2mat。

问题二：标签不能只给 1、2、3 这种整数。你要在训练前明确类别映射关系，否则到测试时你得到输出标签 2，根本不知道它对应哪类标志。建议用 categorical 类型：

allLabels = categorical(allLabels, 1:3, categories);

这样predict返回的标签直接就是 'stop' 或 'yield' 这样的可读字符串，后面标注图片时直接拿来用，非常方便。

3.3 fitcsvm 参数详解与调参心得

MATLAB 中训练核 SVM 用的是fitcsvm函数。我在项目中的核心训练代码如下：

% 训练集和测试集划分（例如 80% 训练，20% 测试） rng(42); % 固定随机种子，保证实验可复现 cv = cvpartition(length(allLabels), 'HoldOut', 0.2); idxTrain = training(cv); idxTest = test(cv); trainFeatures = allFeatures(idxTrain, :); trainLabels = allLabels(idxTrain); testFeatures = allFeatures(idxTest, :); testLabels = allLabels(idxTest); % 训练 RBF 核 SVM svmModel = fitcsvm(trainFeatures, trainLabels, ... 'KernelFunction', 'rbf', ... 'KernelScale', 'auto', ... % 自动确定 gamma 值 'BoxConstraint', 1, ... % 正则化参数 C 'Standardize', true); % 特征标准化

每个关键参数我都说一下自己的理解：

KernelScale对应 RBF 核里的 gamma 参数，KernelScale 越大，gamma 越小，决策边界越平滑；KernelScale 越小，gamma 越大，边界越复杂、越容易过拟合。'auto'让 MATLAB 自动选择一个初始值，但官方推荐用OptimizeHyperparameters自动调参。我实际跑下来，'auto'的效果通常不错，但如果追求极限准确率，建议用交叉验证手动调 KernelScale 和 BoxConstraint。

BoxConstraint是正则化参数，它控制对误分类样本的惩罚力度。惩罚越大（C 越大），训练时越努力把每个样本都分对，但可能过拟合；惩罚越小，模型越倾向于找简单边界，可能会欠拟合。默认值 1 在大多数场景下是合理起点，不要一上来就调大。

Standardize强烈建议设为true。HOG 特征的各个维度数值范围差异很大，有些维度接近于 0，有些可能上百。如果不做标准化，SVM 的间隔计算会被数值范围大的维度主导，RBF 核的距离度量也会失衡。标准化就是让每个维度均值为 0、方差为 1，这一步对核 SVM 尤其重要。

训练完成后，可以用crossval做 K 折交叉验证，评估模型稳定性：

cvSVMModel = crossval(svmModel, 'KFold', 5); loss = kfoldLoss(cvSVMModel); fprintf('5折交叉验证损失: %.4f\n', loss); fprintf('交叉验证准确率: %.2f%%\n', (1 - loss) * 100);

我第一次做交叉验证时准确率只有 84%，后来发现是训练集里样本类别不均衡，某些类别的图片数量是其他类别的 5 倍。处理类别不均衡最简单的方法是收集更多少数类样本，如果数据不好收集，可以考虑调整fitcsvm的Prior参数，或者用fitcecoc的代价矩阵权重。

3.4 多分类策略：fitcecoc 才是你真正需要的

这里必须说一个很多教程没有强调的点：fitcsvm本身只支持二分类。但交通标志分类明显是多分类问题，那怎么办？

MATLAB 的解决方案是使用fitcecoc（Error-Correcting Output Codes，纠错输出编码）。它的核心思路是把多分类问题拆解成多个二分类子问题，训练多个 SVM，然后通过投票或纠错解码得到最终的类别预测。

% 使用 fitcecoc 训练多分类 SVM multiSvmModel = fitcecoc(trainFeatures, trainLabels, ... 'Learners', templateSVM('KernelFunction', 'rbf', ... 'KernelScale', 'auto', ... 'BoxConstraint', 1, ... 'Standardize', true), ... 'Coding', 'onevsone'); % 一对一策略

'Coding'参数有两种常用选项：

• onevsone（一对一）：每两个类别训练一个分类器。如果有 K 个类别，则需要训练 K*(K-1)/2 个二分类器。适合类别数不多（比如少于 10 类）的情况，每个分类器只需要少数样本，训练速度快。
• onevsall（一对多）：每个类别训练一个分类器，区分“属于该类”和“不属于该类”。分类器数量少，但每个分类器的训练数据量大，且类别不均衡问题更严重。

我在交通标志项目里类别数在 5 个以内，实测onevsone效果好于onevsall。网上也有研究指出 OvO 对类别不均衡更鲁棒，实际体验确实如此。

4. 仿真测试与分类标签标注实现

4.1 测试流程设计

模型训练完成后，测试环节我一般分成两步走：先在测试集上计算整体准确率和混淆矩阵，再单独挑几张图片做可视化标注。两步都能过，才算项目完整。

测试集评估代码如下：

% 使用训练好的模型预测测试集 [predictedLabels, scores] = predict(multiSvmModel, testFeatures); % 计算准确率 accuracy = sum(predictedLabels == testLabels) / numel(testLabels); fprintf('测试集准确率: %.2f%%\n', accuracy * 100); % 混淆矩阵 confMat = confusionmat(testLabels, predictedLabels); figure; confusionchart(confMat, categories);

confusionchart能画出一个直观的混淆矩阵图，中间对角线越亮，说明分类越准。我那次跑完发现“让行标志”和“停车标志”之间有几张图片互相误判，原因是这两个标志的外形轮廓相似度较高，HOG 特征在低分辨率下区分度不够。解决方案是把图像分辨率提高到 96x96，误判情况明显减少。

4.2 在图片上绘制分类标签的三种常用方法

项目名称里明确要求“在交通标志图片上贴上分类标志”，这个功能 MATLAB 的工具箱函数可以实现，而且代码非常简洁。根据你要标注的内容不同，我总结了三套方案：

方案一：insertObjectAnnotation——适用于检测框+标签

% 假设你已经通过某种方式得到了交通标志在图片中的位置 bbox bbox = [x, y, width, height]; % 例如 [120, 80, 64, 64] label = char(predictedLabel); % 预测得到的类别名 confidence = max(scores); % 最大置信度分数 imgOut = insertObjectAnnotation(img, 'rectangle', bbox, ... sprintf('%s (%.1f%%)', label, confidence * 100), ... 'Color', 'green', 'FontSize', 18, 'TextBoxOpacity', 0.8); figure; imshow(imgOut); title('交通标志分类结果标注');

方案二：insertText——只需要在图片上写文字时用

% 不画框，直接在图片左上角写类别名 imgOut = insertText(img, [10 10], sprintf('Detected: %s', label), ... 'FontSize', 18, 'TextColor', 'red', 'BoxColor', 'white', ... 'BoxOpacity', 0.8);

方案三：insertMarker——只需要标记中心点

% 在标志中心画一个十字标记 center = [x + width/2, y + height/2]; imgOut = insertMarker(img, center, 'x', 'Size', 12, 'Color', 'red');

实际项目里最常用的是方案一，因为它把检测框、类别名和置信度都整合在了一张图上，答辩和报告里展示效果最好。

4.3 一张图的完整识别标注流程

整合起来，完整识别单张图片的代码流程如下：

function imgOut = classifyTrafficSign(imgPath, multiSvmModel) % 读取并预处理 img = imread(imgPath); if size(img, 3) == 3 imgGray = rgb2gray(img); else imgGray = img; end imgResized = imresize(imgGray, [64 64]); % 提取 HOG 特征 hogFeat = extractHOGFeatures(imgResized, 'CellSize', [8 8]); % SVM 预测 [predLabel, score] = predict(multiSvmModel, hogFeat); % 在原图上标注（这里假设整张图就是标志区域） bbox = [0, 0, size(img, 2), size(img, 1)]; imgOut = insertObjectAnnotation(img, 'rectangle', bbox, ... sprintf('%s (%.1f%%)', char(predLabel), max(score) * 100), ... 'Color', 'green', 'FontSize', 18, 'TextBoxOpacity', 0.8); end

注意这里我把整张测试图片看作一个已经裁剪好的交通标志区域。如果你要做的是“在大图中检测多个标志并分别标注”，就需要先做目标检测（比如用滑动窗口+多尺度搜索），把每个候选区域提出来，再逐一送入分类器。这个逻辑看着简单，但滑动窗口的步长、尺度参数都会大幅影响检测速度和准确率，属于另一个话题，这里先不展开。

4.4 批量化测试与结果汇总

单张图片的函数写好之后，批量化测试就非常容易了。我用dir遍历测试文件夹，把每一张图的标注结果保存到输出目录：

testFiles = dir(fullfile('test_images', '*.jpg')); outputDir = 'test_results'; if ~exist(outputDir, 'dir') mkdir(outputDir); end for i = 1:length(testFiles) imgPath = fullfile(testFiles(i).folder, testFiles(i).name); imgOut = classifyTrafficSign(imgPath, multiSvmModel); [~, fname, ~] = fileparts(testFiles(i).name); imwrite(imgOut, fullfile(outputDir, [fname '_labeled.jpg'])); end

批量标注完之后，你可以打开输出文件夹，快速浏览每一张图的标注是否正确。这种“肉眼检查”环节非常有必要，因为准确率指标只能告诉你整体水平，不能告诉你哪些场景下会出错。我每次看这些标注图都能发现一些有趣的问题，比如某些背景纹理复杂的图会被误判成某个交通标志。这些发现往往比准确率数字更有价值。

5. 常见问题与排查技巧实录

5.1 MATLAB 2021a 启动报错 BLAS 加载错误 / refblas.dll

这个坑比较常见，运行fitcsvm或某些需要调用 BLAS 线性代数库的操作时，MATLAB 直接报错，提示类似“BLAS loading error”或与refblas.dll相关的问题。遇到这个错误第一步不用慌，大部分情况跟 MATLAB 安装目录权限或 Intel MKL 库冲突有关，跟你的算法代码没有关系。

我的排查步骤是：

1. 检查 MATLAB 安装路径是否包含中文或特殊字符，如果有，卸载重装到纯英文路径。
2. 运行version -blas查看当前使用的 BLAS 库信息，确认是否是自带库。
3. 如果提示与refblas.dll相关，检查系统 PATH 环境变量是否有其他软件自带的 BLAS 库干扰，把冲突路径移除。
4. 在 MATLAB 中执行mex -setup重新配置编译器，有时候编译器配置混乱会引发这类问题。

对于项目本身，我建议在代码开头加一段测试，确保 BLAS 环境正常再继续跑：

% 快速测试 BLAS 是否正常 try A = rand(100); B = A * A; disp('BLAS 正常'); catch ME disp(['BLAS 异常: ' ME.message]); end

5.2 HOG 特征维度爆炸怎么办？

特征维度太高，在训练 SVM 时不仅慢，还容易引发内存问题。特别是当你把图片 resize 到 128x128 时，HOG 特征维度会飙升到 7452 维，训练速度明显下降。

解决维度爆炸有三条路：

1. 降低输入图像分辨率：64x64 对应 1764 维，对交通标志来说基本够用。
2. 增大 CellSize：从 8x8 改为 16x16，维度会降为原来的四分之一。
3. 加 PCA 降维：用pca函数对 HOG 特征矩阵降维，保留 95% 方差，通常可以把维度降到几百。

我实测过，对交通标志分类任务，1764 维特征在 300 张训练样本上训练 RBF 核 SVM 只需要几秒钟，完全没有降维的必要。如果数据量到几千张、几万张，再考虑 PCA。

5.3 SVM 预测结果全是同一类？

这是一个非常典型的“看着哪都对但结果就是不对”的问题。我用排除法整理了一个排查列表：

其中“测试和训练预处理不一致”是最隐蔽的坑。比如训练图片统一做了rgb2gray，测试时忘了做；或者训练时imresize到 64x64，测试时用了不同尺寸——这些都会导致特征分布完全不对，预测结果一团糟。

5.4 运行速度太慢怎么优化？

速度优化的优先级，我按实际收益排序：

• 第一优先：减少输入图像尺寸。从 128x128 降到 64x64，速度能快 4 倍以上，准确率下降通常不到 1 个百分点。
• 第二优先：减少训练样本数量。如果数据量大，可以随机抽样一部分训练，先看效果，再决定是否全量训练。全量训练数据量大时，SVM 的二次规划求解非常耗时。
• 第三优先：考虑用线性核替代 RBF 核。线性核没有复杂的核函数计算，训练和预测速度都快很多。
• 第四优先：用predict之前把特征矩阵提前算好缓存。避免测试时重复提取特征。

我自己的项目经验是，对交通标志分类这种小规模任务，64x64 图 + HOG(1764 维) + RBF 核 SVM，300 张训练样本训练不到 5 秒，单张图片分类加标注整个过程不到 0.1 秒，完全够用。

5.5 一张图速查表：我的完整调参建议

初学者最怕的就是“参数到底怎么设”。我根据多次实验经验，整理了一个推荐起点：

6. 进一步扩展思路与个人体会

6.1 从“整图分类”到“目标检测+分类”

目前的方案假设图片里只有单个交通标志，这是简化的仿真场景。真实场景里，一张道路照片中可能同时出现多个标志，而且标志只占画面的一小块区域。要做到完整识别，需要先通过滑动窗口或选择性搜索生成候选区域，再对每个候选区域做 HOG + SVM 分类。这就是传统目标检测的思路。滑动窗口的窗口大小、步长、尺度金字塔层数都需要针对你的应用场景测试调优。

6.2 从 HOG + SVM 到深度学习的演进

做这个项目时我同时也在对比深度学习方法。深度学习的优势在于特征自动学习，不需要手工设计 HOG 参数；但劣势在于需要大量标注数据、GPU 资源，且可解释性差。如果你的课题属于“理解传统视觉方法并做对比实验”，HOG + SVM 完全可以作为基线，再与 YOLO、Faster R-CNN 等做对比分析。这种“传统 + 深度”双轨对比的研究思路，在不少论文里都是加分项。

6.3 我自己反复踩过的三个坑，再说一遍

最后再分享几点实际经验，也是一段时间反复踩过的坑：

第一，预处理流程的一致性比参数好坏更重要。训练时怎么处理图片，测试时必须一模一样处理。很多人调参半天没效果，最后发现是训练和测试的预处理不一致。

第二，分类器准确率不等于项目完成度。这个项目要求“在图片上贴上分类标志”，如果你只训练了一个准确率 98% 的模型，但没有实现可视化标注，项目是不完整的。先把全流程跑通，再回头优化准确率。

第三，不要迷信某一个参数的高分。我试过把 KernelScale 微调到某个值，测试集准确率从 94% 提升到 96%，但交叉验证结果却变差了，这就是过拟合信号。参数调优一定要用交叉验证结果做最终判断，不能只看测试集。

这套流程如果完整跑下来，你得到的不仅是一个能运行的 MATLAB 脚本，更是一套可拆解、可扩展、可解释的计算机视觉分类框架。后面不管换数据集还是换分类目标，都能在半小时内迁移过去。这也是我喜欢 HOG + SVM 这类传统方案的原因——结构清楚，每一条逻辑都明明白白。

本文还有配套的精品资源，点击获取