3#xff08;通道#xff09;的图像转换为长度为n的特征向量/数组。

对于

HOG

特征描述符是图像或图像补丁的表示形式它通过提取有用信息并丢弃无关信息来简化图像。

HOG

3780。

在HOG特征描述符中梯度方向的分布直方图被用作特征。

图像的渐变x和y导数很有用因为边缘和角落强度突然变化的区域周围的梯度大小很大我们知道边缘和角落比平面区域包含更多关于物体形状的信息。

HOGHistogram

Oriented

Gridients的简写特征检测算法最早是由法国研究员Dalal等在CVPR-2005上提出来的一种解决人体目标检测的图像描述子是一种用于表征图像局部梯度方向和梯度强度分布特性的描述符。

其主要思想是在边缘具体位置未知的情况下边缘方向的分布也可以很好的表示行人目标的外形轮廓。

HOG特征检测算法的几个步骤图像预处理—梯度计算—梯度方向直方图—重叠块直方图归一化—HOG特征。

下面分别对其进行介绍。

HOG算法实现

个尺寸上计算的。

当然图像可以是任何大小。

通常在许多图像位置分析多个尺度的斑块。

唯一的限制是正在分析的修补程序具有固定的纵横比。

在我们的例子中补丁需要具有

100×200、128×256

在图像照度不均匀的情况下可以通过Gamma校正将图像整体亮度提高或降低。

在实际中可以采用两种不同的方式进行Gamma标准化平方根、对数法。

这里我们采用平方根的办法公式如下其中γ0.5

2.2

注下边步骤省略灰度化、伽马变化过程以行人的彩色图像为例计算HOG特征

要计算

描述符我们需要首先计算水平和垂直梯度;毕竟我们要计算梯度的直方图。

这可以通过使用以下内核过滤图像轻松实现。

OpenCV

如果您使用的是OpenCV则可以使用函数cartToPolar完成计算如下所示

Calculate

在每个像素处梯度都有一个大小和一个方向。

对于彩色图像将评估三个通道的梯度如上图所示。

一个像素处的梯度大小是三个通道梯度大小的最大值角度是最大梯度对应的角度。

2.3

这是一个由我们正在寻找的功能规模决定的设计选择。

HOG最初用于行人检测。

在一张比例为8×8的行人照片中64×128个单元格足够大可以捕捉有趣的特征例如面部头顶等。

8×8

补丁的梯度的大小和方向。

根据方向选择箱并根据大小选择投票进入箱的值。

让我们首先关注用蓝色包围的像素。

它的角度方向为80度星等为2。

因此它将

添加到第

理想情况下我们希望描述符独立于光照变化。

换句话说我们希望对直方图进行“归一化”以便它们不受光照变化的影响。

如上图所示一个

向量归一化一样进行归一化。

然后窗口移动8个像素参见动画并在此窗口上计算归一化的36×1向量并重复该过程。

其中归一化实现为分别对每个block进行标准化一个block内有4个cell每个cell含9维特征向量故每个block就由4x936维特征向量来表征。

2.5

个向量连接成一个巨大的向量。

这个向量的大小是多少让我们计算一下

16×16

向量表示。

因此当我们将它们全部连接成一个增益向量时我们得到一个

36×105

Opencv官方API参考https://docs.opencv.org/4.x/d5/d33/structcv_1_1HOGDescriptor.html附一个Opencv官方使用教程

#include

(int)train_samples.size();const

int

2,wsize.width,wsize.height);cvtColor(

img_lst[i](r),

foundWeights;hog.detectMultiScale(

img,

-pd/INRIAPerson/96X160H96/Train/pos

-nd/INRIAPerson/neg

gradient_lst.size();labels.assign(

positive_count,

TermCriteria(TermCriteria::MAX_ITER

TermCriteria::EPS,

INTER_LINEAR_EXACT);neg_lst.push_back(

detection

endl;labels.clear();labels.assign(positive_count,

negative_count,

pos_image_size;hog.setSVMDetector(

get_svm_detector(