HOG特征提取【荐】.pptVIP

刘锐 2010.9.9 样本示例 正样本42*42 负样本42*42 实验结果： 交叉验证正确率：99.5%~99.8% 车辆检测结果： * 刘锐 2010.9.9 HOG特征(Histograms of Oriented Gradients) 刘锐 2010.9.9 HOG特征的定义和出处 Paper：Histograms of Oriented Gradients for Human Detection Author：Navneet Dalal and Bill Triggs CVPR 05 定义：梯度方向直方图 本质：梯度的统计信息，而梯度主要存在于边缘的地方 * 1.标准化gamma空间和颜色空间 为了减少光照因素的影响，首先需要将整个图像进行规范化。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。因为颜色信息作用不大，通常先转化为灰度图 Gamma压缩公式： 比如可以取Gamma=1/2 2.计算梯度 计算图像的一阶梯度。求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。 梯度大小： 梯度方向： 第三步的目的是为局部图像区域提供一个编码，同时能够保持对图像中人体对象的姿势和外观的弱敏感性。我们将图像窗口分成若干个小区域，这些区域被称为“单元格”。然后将每个单元格中所有象素的一维梯度直方图或者边缘方向累加到其中。最后将这个基本的方向直方图映射到固定的角度上，就形成了最终的特征。 例如取单元格为8*8像素 ，直方图取9个方向（360度平分9份） 3.单元格梯度投影 对比度归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。通常，每个单元格由多个不同的块共享，但它的归一化是基于不同块的，所以计算结果也不一样。因此，一个单元格的特征会以不同的结果多次出现在最后的向量中。我们将归一化之后的块描述符就称之为HOG描述符。 例如块取2*2单元格，则一块的特征数为： 2*2*9 4.块内归一化梯度直方图 最后一步就是将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用。 例如对于一个40*40的训练图片，单元格=8*8像素，块=2*2单元格，块每次滑动一个单元格为，则特征维数=4*4*（2*2*9）=576维 5.收集HOG特征 解释为什么要尺度空间求极值点？ 解释为什么要尺度空间求极值点？ * *