Lil'Log（Lilian Weng 个人博客） · Lilian Weng
Object Detection for Dummies Part 1: Gradient Vector, HOG, and SS
Object Detection for Dummies Part 1: Gradient Vector, HOG, and SS是Lil'Log（Lilian Weng 个人博客）的免费文章（en）。前置条件：需要基本的偏导数概念与 Python/NumPy 编程基础。
理解图像梯度与常用边缘检测卷积核的原理，并能用 Python/NumPy 复现文中的像素梯度与卷积计算。
Lil'Log
- 难度
- 见前置条件
- 类型
- 博客 · 文章
- 语言
- en
- 规模
- 1 个课节
- 内容费用
- 免费
- 动手
- 需要动手环境
使用限制
- 内容提示
- 内容时效：网页标注 2017 年 10 月 29 日发布，文中示例代码使用 scipy.misc.imread（该接口已在新版 SciPy 中移除）。
学完你能
- 区分导数、方向导数与梯度的定义与值类型
- 写出图像梯度向量，并计算像素梯度的模长与方向
- 用卷积核对整幅图像计算 x、y 方向梯度
- 使用 Prewitt、Sobel 等常见图像处理核并说明它们的设计差异
- 按文中代码读取灰度图像并运行 Sobel 算子实验
适合你吗
适合
想补充经典计算机视觉基础、了解深度学习之前的目标检测方法的计算机视觉学习者。
暂不适合
想直接学习基于深度神经网络的目标检测模型的读者；作者说明深度学习模型将在 Part 2 与 Part 3 讨论。
需要先会
需要基本的偏导数概念与 Python/NumPy 编程基础。
课程特点
- 内容侧重
- 侧重实践应用
- 练习与项目
- 用文中 Sobel 算子代码处理一张自己的灰度图片，对比 Gx、Gy 的显示效果。
- 学习时长
- 1 个课节原站未给出统一学习时长；实际用时取决于已有基础。
- 内容费用
- 免费节选可直接读到正文、公式与代码，页面无付费墙或登录拦截。
内容覆盖
- Image Gradient Vector
- Common Image Processing Kernels
- Example: Manu in 2004（梯度实验）
- Histogram of Oriented Gradients (HOG)
- How HOG works
- Example: Manu in 2004（HOG）
- Image Segmentation (Felzenszwalb's Algorithm)
- Graph Construction
- Key Concepts
- How Image Segmentation Works
- Example: Manu in 2013
- Selective Search
- How Selective Search Works
- Configuration Variations
- References
常见问题
免费吗？
免费：节选可直接读到正文、公式与代码，页面无付费墙或登录拦截。实践无额外费用：文中实验只需本地 Python 与开源科学计算库，原站未提及任何付费服务。
需要什么基础？
需要基本的偏导数概念与 Python/NumPy 编程基础。软件、账号与硬件：原站未说明前置软件要求；文中代码用到 numpy、scipy（scipy.signal），无需 GPU 或账号。
有中文吗？
本站记录的语言是en；是否有中文字幕或译本本站未核实，请以原站为准。
怎么开始？
从原始资源入口开始：https://lilianweng.github.io/posts/2017-10-29-object-recognition-part-1/。本页“学前准备”列出环境与工具，“学习指南”给出开课提示词，可以在自己的电脑上按步骤开始。
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-24
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可：仅供个人学习，转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。