图像梯度方向直方图描述子.ppt

图像梯度方向直方图描述子;图像表征;图像梯度方向直方图描述子;图像梯度方向直方图的生成步骤;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;图像平滑;利用一阶微分求解图像梯度;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;;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： ;;;块划分所带来的问题： 块与块之间是相互独立的么？;分块之间的相关性问题解决;重叠块： Datal等人在他们那篇关于HOG最为经典的论文《Histogram of Oriented Gradient for Human Detection》提出了利用块与块的重叠（Overlap）来解决混叠，并且取得了不错的效果。 ; 在重叠方式中，块与块之间的边缘点被重复根据权重投影到各自相邻块（block）中，从而一定模糊了块与块之间的边界，处于块边缘部分的像素点也能够给相邻块中的方向梯度直方图提供一定贡献，从而达到关联块与块之间的关系的作用。Datal对于块和块之间相互重叠程度对人体目标检测识别率影响也做了实验分析。;利用线性插值的方法解决分块之间联系问题; 基于线性插值的基本思想，对于上图四个方向（横纵两个45度斜角方向）个进行一次线性插值就可以达到权重分配目的。下面介绍一维线性插值。假设x1和x2是x块相邻两块的中心，且x1xx2。对w（即权重，一般可直接采用该block的直方图值即h（x））进行线性插值的方法如下式： 其中b在横纵方向取块间隔，而在斜45度方向则可采用sqrt(2)倍的块间隔。;Step 4:HOG特征向量归一化 我们要对block块内的HOG特征向量进行归一化。对block块内特征向量的归一化主要是为了使特征向量空间对光照，阴影和边缘变化具有鲁棒性。还有归一化是针对每一个block进行的，一般采用的归一化函数有以下四种：; 在人体检测系统中进行HOG计算时一般使用L2-norm，Dalal的文章也验证了对于人体检测系统使用L2-norm的时候效果最好。;HOG最终的特征向量生成;HOG的应用;HOG与SIFT的区别;关于HOG的总结;;;算法带来的启发;;感谢您的关注