目标检测的图像特征提取.pptxVIP

目标检测的图像特征提取 1、HOG特征 方向梯度直方图（Histogram of Oriented Gradient, HOG） Hog特征结合SVM分类器(法国研究人员Dalal在2005的CVPR)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。 而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。 主要思想： 梯度的统计信息，而梯度主要存在于边缘的地方。 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。 具体的实现方法是： ??将图像分成小的连通区域，我们把它叫细胞单元。 采集细胞单元中各像素点的梯度的或边缘的方向直方图。 把这些直方图组合起来就可以构成特征描述器。 （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（归一化）。 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； ???? （2）计算图像梯度 ???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。 图像中像素点(x,y)的梯度为： 最常用的方法是：首先用[-1,0,1