HOG特征提取!
HOG特征提取
overview
HOG特征方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。 主要思想 ——– 在一副图像中，局部目标的表象和形状（appearance and shape）能够被梯度或边缘的方向密度分布很好地描述。
具体实现方法为
- 对图像进行颜色空间归一化处理 ———-
利用灰度图像转化公式Gray=0.3R+0.59G+0.11*B将彩色RGB图像转化成灰度图像;
采用平方根方法，利用公式Y(x,y)=I〖(x,y)〗^(1/2)进行Gamma标准化。
- 对经过颜色空间归一化后的图像，求取其梯度及梯度方向。 ———-
分别在水平和垂直方向进行计算，梯度算子为：水平方向[-1,0,1] 垂直方向〖[-1,0,1]〗^T,计算公式为G_x (x,y)=I(x+1,y)-I(x-1,y)，G_y (x,y)=I(x,y+1)-I(x,y-1)，G_y (x,y)=√(〖G_x (x,y)〗^2+〖G_y (x,y)〗^2 )，θ(x,y)=arctan((G_y (x,y))/(G_y (x,y) ))；
- 将图像划分成若干个cells（单元），8x8=64个像素为一个cell，相邻的cell之间不重叠。
———-
在每个cell内统计梯度方向直方图，将所有梯度方向划分为9维特征向量，作为直方图的横轴，角度范围所对应的梯度值累加值作为直方图纵轴； ———-
-
把各个细胞单元组合成大的、空间上连通的区间（blocks）。一个block内所有cell的特征向量串联起来便得到该block的HOG特征； ———-
- 将检测窗口中所有重叠的block进行HOG特征的收集，并将其结合成最终的特征向量供分类使用。
- 流程图如下
HOG特征优点
与其他的特征描述方法相比，HOG有很多优点。
首先，由于HOG是 在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。
其次，在粗的空域抽样、精细 的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响 检测效果。
因此HOG特征是特别适合于做图像中的人体检测的 。
参考