HOG（方向梯度直方图）是一种用于计算机视觉和图像处理的特征描述子，常用于目标检测，尤其是行人检测。算法通过计算图像局部的梯度方向分布，将图像划分为小的细胞单元并构建方向直方图，再进行归一化处理以增强光照和阴影不变性。HOG特征与SVM分类器结合，展示了较好的检测效果。
背景引言
方向梯度直方图(Histogram of Oriented Gradient,HOG)是用于在计算机视觉和图像处理领域，目标检测的特征描述子。该项技术是用来计算图像局部出现的方向梯度次数或信息进行计数。此种方法跟边缘方向直方图、尺度不变特征变换以及形状上下文方法有很多相似。但与它们的不同点是：HOG的计算基于一致空间的密度矩阵来提高准确率。即：在一个网格密集的大小统一的细胞单元上计算，而且为了提高性能，还采用了重叠的局部对比度归一化技术。HoG特征与SVM分类器结合，已经被广泛应用于图像识别中，尤其在行人检测。本节内容根据论文[1]理解,介绍HOG相关知识。
基本介绍
提出HOG是由Navneet Dalal & Bill Triggs在2005年发表在CVPR中论文[1]。作者给了特征提取的流程图，如下图1所示：
订阅专栏 解锁全文
扫一扫
8449
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
