HOG从理论到OpenCV实践.docx

HOG：从理论到OpenCV实践时间2014-03-11 22:55:57?/sites/vQZRB3CSDN博客?/articles/dup?id=fM3Mvu相似文章?(1)?原文?/zhazhiqiang/article/detailszhazhiqiang/article/details转载请注明出处：?/zhazhiqiang//zhazhiqiang/??未经允许请勿用于商业用途）一、理论1、HOG特征描述子的定义： locally normalised histogram of gradient orientation in dense overlapping grids，即局部归一化的梯度方向直方图，是一种对图像局部重叠区域的密集型描述符,?它通过计算局部区域的梯度方向直方图来构成特征。2、本质： Histogram of Oriented Gradient descriptors provide a dense overlapping description of image regions，即统计图像局部区域的梯度方向信息来作为该局部图像区域的表征。3、OpenCV中的HOG算法来源：?http://lear.inrialpes.fr/pubs/2005/DT05/hog_cvpr2005.pdf??http://lear.inrialpes.fr/pubs/2005/DT05/hog_cvpr2005.pdfHistograms of Oriented Gradients for Human Detection?, CVPR 2005。详细的算法可以参考这个文章。这里是?/wiki/Histogram_of_oriented_gradients_(HOG)英文?和?/html/y2010/1690.html中文?的介绍。4、?/zhazhiqiang/article/details测窗口Win、块Block、单元格Cell的基本信息(1)大小：A、检测窗口：WinSize=128*64像素，在图像中滑动的步长是8像素(水平和垂直都是)B、块：BlockSize=16*16像素，在检测窗口中滑动的步长是8像素(水平和垂直都是)C、单元格：CellSize=8*8像素D、梯度方向：一个Cell的梯度方向分为9个方向，在一个单元格内统计9个方向的梯度直方图(2)HOG描述子 OpenCV中一个Hog描述子是针对一个检测窗口而言的，一个检测窗口有((128-16)/8+1)*((64-16)/8+1)=105个Block，一个Block有4个Cell，一个Cell的Hog描述子向量的长度是9，所以一个检测窗口的Hog描述子的向量长度是105*4*9=3780维。?HOG特征提取是统计梯度直方图特征。具体来说就是将梯度方向（0-360°）划分为9个区间，将图像化为16x16的若干个block,每个block再化为4个cell（8x8）。对每一个cell,算出每一像素点的梯度方向和模，按梯度方向增加对应bin的值，最终综合N个cell的梯度直方图形成一个?高维描述子向量?。实际实现的时候会有?各种插值?。5、算法流程：(1)灰度化 由于颜色信息作用不大，通常转化为灰度图。(2)标准化gamma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(归一化)，这种处理能够有效地降低图像局部的阴影和光照变化。 Gamma压缩公式：??比如可以取Gamma=1/2；(3)计算图像每个像素的梯度(包括大小和方向) 计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；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。 梯度算子：水平边缘算子： [-1, 0, 1] ；垂直边缘算子： [-1, 0, 1]T 图像中像素点(x,y)的梯度为: 作者也尝试了其他一些更复杂的模板，如3×3 Sobel 模板，或对角线模板（diagonal masks），但是在这个行人检测的实验中，这些复杂模板的表现都较差，所以作者的结论是：模板越简单，效果反而越好。 作者也尝试了在使用微分模板前加入 一个高斯平滑滤波，但是这个高斯平滑滤波的加入使得检测效果更差，原因是：许多有用的图像信息是来自变化剧烈的边缘，而在计算梯度之前加入高斯滤波会把这些边缘滤除掉。(4)将图像分割为小的Cell单元格 由于Cell单元格是HOG特征最小的结构单位，而且其块Block和检测窗口Win的滑动步长就是一个Cell的宽度或高度，所以，先把整个图像分割为一个个的Cell单元格(8*8像素)。?(5)为每个单元格构建梯度方向直方图【重点】 这步的目的是：统计局部图像梯度