图像梯度方向直方图描述子.pptVIP

图像表征 什么是图像的描述子？ 其实图像描述子就是图像的一种表征形式，我们所熟知的像素值便是最常见最朴素的一种图像表征形式，也可以被看成一种描述形式。 既然已经存在像素这种描述子，为何我们还有寻求新的图像描述子？ 图像梯度方向直方图描述子 图像梯度方向直方图（Histogram of Oriented Gradient） HOG（Histogram of Oriented Gradient）是2005年CVPR会议上，法国国家计算机科学及自动控制研究所的Dalal等人提出的一种解决人体目标检测的图像描述子，该方法使用梯度方向直方图（Histogram of Oriented Gradients,简称HOG）特征来表达人体，提取人体的外形信息和运动信息，形成丰富的特征集。 图像梯度方向直方图的生成步骤 生成步骤： HOG描述子高维图像特征向量生成步骤 HOG描述子高维图像特征向量生成步骤： 图像归一化 利用一阶微分计算图像梯度 基于梯度幅值的方向权重投影 HOG特征向量归一化 得出HOG最终的特征向量 图像归一化 step 1:图像归一化 归一化图像的主要目的是提高检测器对光照的鲁棒性，因为实际的人体目标可能出现的各种不同的场合，检测器，必须对光照不太敏感才会有好的效果。 利用一阶微分计算图像梯度 Step 2 利用一阶微分计算图像梯度 图像平滑 梯度法求图像梯度 图像平滑 图像平滑 对于灰度图像，一般为了去除噪点，所以会先利用离散高斯平滑模板进行平滑：高斯函数在不同平滑的尺度下进行对灰度图像进行平滑操作，Dalal等实验表明在下，人体检测效果最佳（即不做高斯平滑），使得错误率缩小了约一倍。不做平滑操作，可能原因：图像时基于边缘的，平滑会降低边缘信息的对比度，从而减少图像中的信号信息。 利用一阶微分求解图像梯度 一阶微分处理一般对灰度阶梯有较强的响应 一阶微分： 对于函数f(x,y)，在其坐标（x,y）上的梯度是通过如下二维列向量定义的： 这个向量的模值由下式给出： 因为模值的计算开销比较大，一般可以按如下公式近似求解： Dalal等人利用许多一阶微分模板进行求梯度近似值，但在实验中表明模板[-1,0,1]效果最好。 我将采用模板[-1,0,1]为例计算图像梯度以及方向，通过梯度模板计算水平和垂直方向的梯度分别如下： 其中，分别表示该像素点的水平，垂直梯度值。计算该像素点的梯度值（梯度强度）以及梯度方向： 对于梯度方向的范围限定，一般采用无符号的范围，故梯度方向可表示为： 基于梯度幅值的方向权重投影 Step 3 基于梯度幅值的方向权重投影 HOG结构 通常使用的HOG结构大致有三种：矩形HOG（简称为R-HOG），圆形HOG和中心环绕HOG。它们的单位都是Block（即块） Dalal的试验证明矩形HOG和圆形HOG的检测效果基本一致，而环绕形HOG效果相对差一些。并且，圆形与环绕形的HOG文献比较少，应用研究没有矩形HOG普遍。所以在此，我将着重讲解矩形HOG的情况。 矩形HOG块的划分： 一般一个块（Block）都由若干单元（Cell）组成，一个单元都有如干个像素点组成。 在每个Cell中有独立做梯度方向统计，从而以梯度方向为横轴的的直方图，前面我们已经提到过，梯度方向可取0度到180度或0度~360度，但dalal实验表明，对于人体目标检测0度~180度这种忽略度数正负级的方向范围能够取得更好的结果。然后又将这个梯度分布平均分成 个方向角度（orientation bins），每个方向角度范围都会对应一个直方柱。 根据Dalal等人实验，在人体目标检测中，在无符号方向角度范围并将其平均分成9份（bins）能取得最好的效果，当bin的数目继续增大效果改变不明显，故一般在人体目标检测中使用bin数目为9范围0~180度的度量方式。如下图所示： Block中各个参数的最终选取： 从图中可以看出，对于人体对象检测，块的大小为3×3个单元格，单元格的大小为6×6个象素时，检测效果是最好的，错误率约为10%左右。块的大小为2×2个单元格，单元格大小为8×8个象素时，也相差无几。6－8个象素宽的单元格，2－3个单元格宽的块，其错误率都在最低的一个平面上。块的尺寸太大时标准化的作用被削弱了从而导致错误率上升，而如果块的尺寸太小时，有用的信息反而会被过滤掉。 在实际应用中，在Block和Cell划分之后，对于得到各个像区域中，有时候还会为了进行一次高斯平滑，但是对于人体目标检测等问题，该步骤往往可以忽略，实际应用效果不大，估计在主要还是去除区域中噪点，因为梯度对于噪点相当敏感 对梯度方向的投影权重方式的选取： 对于梯度方向的加权投影，一般都采用一个权重投影函数，