基于方向梯度直方图的行人检测算法.pptxVIP

byRadonHISTORGRAMSOFORIENTEDGRADIENTSFORHUMANDETECTION

WindowBlockCellbin重要概念

WindowHOG描述子的输入根据测试，window的大小为64*128时效果最好。

BlockCell

BlockCell

bin

生成特征描述向量05block归一化04统计局部图像梯度信息03梯度计算02色彩和gamma归一化01算法流程

一维的离散微分模板水平梯度图和垂直梯度图对于3通道图像，只保留梯度幅值最大的通道的梯度。(-1,0,1),(1,0,-1)’求幅值和相位梯度计算

对block加一个高斯空域窗口01Block中每个pixel根据自己的梯度和位置进行投票02统计局部图像梯度信息

投票的权重梯度幅值的函数直接使用梯度幅值效果最好block中的每一个pixel对相邻cell和其梯度方向的相邻区间进行投票。Block中的投票

Block中的投票三线性插值x方向、y方向和梯度的角度这三个参数空间

统计局部图像梯度信息

block归一化

生成特征描述向量HOG描述子将window中所有block对应的特征描述向量组合在一起①HOG没有选取主方向或旋转梯度方向直方图 不具有旋转不变性②HOG不具有尺度不变性③HOG在密集采样的图像块中进行计算 特征向量的各个维度隐含了其在检测窗口中的位置信息通过使用不同旋转方向的样本进行训练，改变在待检测图像中的窗口大小，使用HOG描述子也能实现具有旋转不变性和尺度不变性的算法。

算法流程0102030405统计局部图像梯度信息梯度计算block归一化色彩和gamma归一化生成特征描述向量

SVM

SVM–松弛变量

结果–第1次训练

hardexample

检测过程也适用于生成hardexample

SVM–第2次训练01before02after

终