浅谈HOG，从LOG说起

最近一段时间在看行人检测与跟踪，其中有一种思路是利用HOG算子进行全局匹配，网上关于HOG的文章很多，这里只能算是自己对其进行的总结。

要谈HOG（Histogram of Guassians）就不得不谈SIFT（Scalar Invariant Feature Transform）及DOG（Difference of Gaussians），而在这之前又要讨论LOG（Laplace of Gaussian），这也就是题目中的从LOG谈起的具体含义。他们之间的关系，在下文中会一一道出。

LOG算子是检测图像斑点中的常用方法，其基本思路就是：原始图像与LOG求解卷积，寻找拉普拉斯响应值的局部最大值（峰值），得到的局部最大值就可以判定为图像斑点。要稍微解释一下的是，图像与某个函数的卷积，实际上就是求取图像与某一函数的相似程度，而LOG本身的二维图像表示为一斑点，所以，当图像中斑点尺寸与LOG的形状趋于一致时，此时，图像的拉普拉斯响应抵达最大值，即为峰值，即发现一个斑点。具体的数学公式不再给出。

而在SIFT中运用到的DOG算子，与LOG还是有很大联系的。LOG算子的产生是对高斯函数进行拉普拉斯变换并进行规范化，计算量较大。这里DOG的D（Difference）是指对连续两个尺度的高斯函数作差。通过公式推导可知，DOG可以看作是LOG的近似表示，因此也就具有了LOG的一些优秀性质，比如，稳定性好，抗噪能力强。同时，与LOG相比大大降低了计算量，因而可以看做是高效的斑点检测方法。

SIFT算法可以说是将斑点检测和特征向量生成，特征匹配搜索结合、优化，而这里的斑点检测用的正是上面提到的DOG算子。首先需要明确的是SIFT算法中特征点的搜索是在立方体空间（在多层 尺度空间）中进行的，这样得到特征点，下面将详细描述一下特征描述子。

对于每个监测到的特征点，可以知道该特征点的尺度值delta，根据该delta对原始图像求解一个最接近的高斯图像，然后以该特征点位置为中心，3*1.5*delta为半径得到一个区域，求解该区域内图像梯度的幅角和幅值。同样这里不再给出公式。

利用直方图统计该特征点邻域（上面提到的圆形区域）内像素的梯度方向和幅值。横轴为：梯度方向角，纵轴为方向角对应幅值的累加，直方图峰值即为该特征点的主方向theta。最终得到的特征点信息为（x，y，delta，theta），即为特征描述子。

下面就是特征点特征向量的生成：每个特征点的邻域大小为为(m*delta*（Bp + 1 ）* sqrt(2))^2，将其划分为Bp * Bp个区域，每个子区域中计算8方向梯度直方图，每个特征点将形成一个 Bp * Bp * 8 维 特征向量。用来进行局部特征匹配。

下面将介绍到HOG算法：首先对原始图像进行归一化处理，减少光照影响；一阶微分计算梯度幅值及梯度方向；将图像划分单元格（cells），分别计算各个单元格内的梯度方向直方图；对图像划分块（block），每个块中包含若干个单元格（可重叠），对每个块中的所有梯度方向直方图统一进行归一化处理；对所有梯度方向直方图生成特征向量。该特征向量即为待匹配的特征向量。之后的操作就是 利用滑动窗口对当前图像依次进行匹配，利用分类算法将待匹配图像得到的特征向量进行分类，从而对图像中的行人进行检测。

这里只是进行简单的原理上的探究，想要进一步的探究还是乖乖的看论文吧。(^_^)