梯度与方向导数及HOG特征应用.ppt

一、方向导数 二、梯度 目标检测 定义： 目标检测是计算机视觉中的重要研究方向，它是使 计算机能够模拟人类的思维过程来识别出特定目标 的活动。 HOG特征 HOG特征即为方向梯度直方图（Histogram of Oriented Gradient, HOG） ＨＯＧ特征 HOG特征提取算法的实现过程： 详细过程 1）标准化gamma空间和颜色空间 ，使转化为灰度图 计算图像梯度 最常用的方法是：首先用[-1,0,1]梯度算子对原图像做卷积运算，得到x方向（水平方向，以向右为正方向）的梯度分量gradscalx，然后用[1,0,-1]T梯度算子对原图像做卷积运算，得到y方向（竖直方向，以向上为正方向）的梯度分量gradscaly。然后再用以上公式计算该像素点的梯度大小和方向。 什么是卷积运算？ 通俗来讲： * 方向导数与梯度 一、方向导数 二、梯度 三、应用 定义： 在点 存在, 的偏导数，记为 的某邻域内 则称此极限为函数 极限 设函数 偏导数反映的是函数沿坐标轴方向的变化率， 那么函数沿任意方向的变化率呢？ 偏导数 设函数z?f (x，y)在点P (x，y)的某一邻域U(P)内有定义． 自点P引射线 l ．设 x 轴正向到射线 l 的转角为j ，并设 P ?(x??x，y??y) 为 l 上的另一点且P ??U(P)． 若此极限存在， 则称此极限为函数 f (x，y)在点P 沿方向 l 的方向导数， 记作 ，即 其中r ? ． O x y P l j P? ?x ?y 考虑 ， ， r 定理 如果函数z?f (x，y)在点P (x，y)是可微分的，那么函 数在该点沿任一方向l 的方向导数都存在，且有 方向导数与偏导数的关系： = cos j + sin j ， 其中j为x 轴到方向l 的转角． 简要证明： f(x??x，y??y)?f(x，y) 讨论函数 z?f (x，y)在点P 沿x 轴正向和负向， 沿 y 轴正向和负向 的方向导数如何? 讨论： 根据公式 = cos j + sin j 提示： 沿x 轴正向时， cos j =1， sin j =0， 沿x 轴负向时，cos j =-1， sin j =0， ； = cos j + sin j ． = cos j + sin j ， 其中r ，?x?r cos a ，?y?r cos b ， 对于三元函数u?f (x，y，z) ，定义它在空间一点P (x，y，z) 着方向(设方向的方向角为a 、b 、g )的方向导数如下 ， ?z?r cos g ． 如果函数在所考虑的点处可微分， 有 = cos a ? sin b ? cos g ． 三元函数的方向导数： 设函数z?f (x，y)在平面区域D 内具有一阶连续偏导数，则对 于任一点P (x，y) ?D 及任一方向l ，有 称为函数f (x，y) 在点P 的梯度，记作grad f (x，y)，即 grad f (x，y) ? = cos j + sin j ?{ ， }·{cos j ，sin j }， 其中向量 梯度与方向导数： = cos j ? sin j ?{ ， }·{cos j ，sin j } 函数在某点的梯度是这样一个向量，它的方向与取得最大方 向导数的方向一致，而它的模为方向导数的最大值． 讨论： 已知方向导数为 的最大值是什么？ 结论： 梯度的模： | grad f (x，y)| ． = cos j ? sin j 应用：工业生产检测、质量检测、生物医学图像增强、智 能交通视频监控、遥感图像分析、军用图像扫描等 提问：怎样进行目标识别呢？ 提示：我们知道每幅图都有自己的特征，我们可以进行特 征提取。 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。（本质：梯