histogram of oriented gradients算法详解.docx

Histogram of Oriented Gradients算法详解本文包含HOG算法(方向梯度直方图)的详细解释及特征描述子的计算matlab代码；HOG算法简介方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。此方法使用了图像的本身的梯度方向特征，类似于边缘方向直方图方法，SIFT描述子，和上下文形状方法，但其特征在于其在一个网格密集的大小统一的方格单元上计算，而且为了提高精确度使用了重叠的局部对比度归一化的方法。HOG descriptors 是应用在计算机视觉和图像处理领域，用于目标检测的特征描述器。这项技术是用来计算局部图像梯度的方向信息的统计值。这种方法跟边缘方向直方图（edge orientation histograms）、尺度不变特征变换（scale-invariant feature transform descriptors）以及形状上下文方法（ shape contexts）有很多相似之处，但与它们的不同点是：HOG描述器是在一个网格密集的大小统一的细胞单元（dense grid of uniformly spaced cells）上计算，而且为了提高性能，还采用了重叠的局部对比度归一化（overlapping local contrast normalization）技术。这篇文章的作者Navneet Dalal和Bill Triggs是法国国家计算机技术和控制研究所French National Institute for Research in Computer Science and Control (INRIA)的研究员。他们在这篇文章中首次提出了HOG方法。这篇文章被发表在2005年的CVPR上。他们主要是将这种方法应用在静态图像中的行人检测上，但在后来，他们也将其应用在电影和视频中的行人检测，以及静态图像中的车辆和常见动物的检测。HOG描述器最重要的思想是：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：首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。为了提高性能，我们还可以把这些局部直方图在图像的更大的范围内（我们把它叫区间或block）进行对比度归一化（contrast-normalized），所采用的方法是：先计算各直方图在这个区间（block）中的密度，然后根据这个密度对区间中的各个细胞单元做归一化。通过这个归一化后，能对光照变化和阴影获得更好的效果。与其他的特征描述方法相比，HOG描述器后很多优点。首先，由于HOG方法是在图像的局部细胞单元上操作，所以它对图像几何的（geometric）和光学的（photometric）形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，作者通过实验发现，在粗的空域抽样（coarse spatial sampling）、精细的方向抽样（fine orientation sampling）以及较强的局部光学归一化（strong local photometric normalization）等条件下，只要行人大体上能够保持直立的姿势，就容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。综上所述，HOG方法是特别适合于做图像中的行人检测的。接下来将具体介绍HOG特征的提取过程，下图1给出了完整的HOG特征提取算法和过程。图1如下：而具体的区域分块图，cell和Block的关系图为：上面两图充分说明了cell和Block的关系。如图一，假设图像为40*40，假定每个Block有2*2个cell，每个cell为8*8。由于相邻的两个Block之间有50%(水平或垂直相邻)或25%(对角相邻)的重叠部分，因此这幅图有4*4个Block存在。HOG提取过程中的核心步骤可以简单归纳如下：(1) 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；(2)?把图像按照空间位置均匀划分小块，即图2中的cell，在cell内按照既定的量化标准统计梯度方向的直方图，得到该cell对应的特征向量，然后再把图2中一个block内所有cell的特征向量串联起来便得到该block的HOG特征。图2如下：HOG特征是由一个矩形block中的多个矩形cell的方向梯度直方图串联得到，其实block和cell都可以不是矩形，只不过矩形是较常用的一种，这种HOG特征可称之为矩形HOG，实际上还存在圆形HOG和中心环绕HOG，当然我们考虑的都