HOG(方向梯度直方图)

出自2005 Dalal CVPR用于行人检测
思想：边缘、纹理等特征信息可被梯度或边缘的方向密度分布很好地描述

---

方向梯度

1.计算图像梯度方向与幅值
对于图像像素点(i,j):其对x方向的梯度Hx(i,j)及对y方向的梯度Hy(i,j)

$Hx(i,j)=I(i+1,j)-I(i,j)$
$Hy(i,j)=I(i,j)-I(i,j+1)$

可使用梯度算子sobel，Laplacian对图像patch卷积计算。
从而可以求得梯度幅值M(x,y)与梯度方向θ(x,y)：

$M(x,y) = \sqrt{H_{x}^2+H_{y}^2}$
$θ(x,y) = tan^{-1}\frac{H_{y}}{H_{x}}$

2. 计算bin值
梯度方向θ为[0,360°]，将其划分成n个bins。例如OpenCV中n=9，即将一个圆均分成9部分，每一部分区间对于bin值，如0≤θ<40对应bin=0，那么当某个梯度方向在[0,40)范围内时，对应着bin=0加1，而幅值是计算bin个数时的权重，接着上面例子，如果M=2，那么bin=0加1*2=2。这样就可以得到每个bin的计数。
3. 统计bin个数构成HOG描述符
该统计是在图像的窗口区域进行的，它使用了cellSize(胞元大小)、blockSize(块大小)、blockStride(块增量大小)、winSize(窗口大小)这些参数决定区域大小及滑动方式。在OpenCV构造HOGDescriptor时会用到。下面给出示意图

1).winSize

窗口大小实质是检测窗大小
2).blockSize

3).cellSize

---

而block划分成cell时有两种方法overlap和non-overlap，overlap方法是相邻cell之间有重叠，non-overlap方法是相邻cell之间没有重叠，overlap方法好处是避免了一些重要的物体分成两个patch，但计算量大。而non-overlap方法计算量小，与图像金字塔结合，速度更快。
所以OpenCV使用的是non-overlap。
对每个block内的所有cell统计bin的直方图，并归一化,得到块HOG描述符。

再在检测窗中所有block串联得到窗口的HOG特征向量。

---

行人检测HOG+SVM

总体思路：
1、提取正负样本hog特征
2、投入svm分类器训练，得到model
3、由model生成检测子
4、利用检测子检测负样本，得到hardexample
5、提取hardexample的hog特征并结合第一步中的特征一起投入训练，得到最终检测子。

---

总结

优点：
1.HOG对图像的几何和光照能够保持很好的不变性。
2.可容许行人中细微的动作，所以HOG很适合用于行人检测。
缺点：
特征维度大，OpenCV中HOG描述符参数winSize(64,128)，blockSize(16,16)，blockStride(8,8)，cellSize(8,8)，nbins(9)，这样有3780(=9*(2*2)(7*15))维，其中检测窗口有((128-16)/8+1) ((64-16)/8+1)=7*15个block，每个block有(16/8)*(16/8) =2*2个单元。这样的话计算大很大，对于使用AdaBoost+HOG做行人检测，训练到后面每一级弱分类器个数达到了几百个，这样在训练和检测过程运算时间很大。针对这个情况，可以考虑减少bin的种类，剔除不太关联的bin，保留重要的bin，从而降低HOG描述符维度。
注：
ICF(integral-channel-features)积分通道特征是HOG的变形，其有10个bins，其中6个bin是HOG梯度方向，1个bin是梯度幅值，还有3个bins是LUV颜色空间的三个颜色通道。这样对于颜色特征效果比较明显的物体检测是个不错的选择。

参考：
1.目标检测的图像特征提取之（一）HOG特征
2.Histogram of Oriented Gridients(HOG) 方向梯度直方图
3. opencv源码解析（hog+svm）
4. ICF: Integral Channel Features