HOG：从理论到OpenCV实践汇编.docx

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：? ??Histograms of Oriented Gradients for Human Detection, CVPR 2005。详细的算法可以参考这个文章。这里是英文和中文的介绍。?4、检测窗口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。?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：统计局部图像梯度信息并进行量化（或称为编码），得到局部图像区域的特征描述向量。同时能够保持对图像中人体对象的姿势和外观的弱敏感性。? ? 我们将图像分成若干个“单元格cell”，例如每个cell为8*8个像素(可以是矩形的（rectangular），也可以是星形的（radial）)。假设我们采用9个bin的直方图来统计这8*8个像素的梯度信息。也就是将cell的梯度方向360度分成9个方向块，如图所示：例如：如果这个像素的梯度方向是20-40度，直方图第2个bin的计数就加一，这样，对cell内每个像素用梯度方向在直方图中进行加权投影（映射到固定的角度范围），就可以得到这个cell的梯度方向直方图了，就是该cell对应的9维特征向量（因为有9个bin）。? ? 像素梯度方向用到了，那么梯度大小呢？梯度大小就是作为投影的权值的。