学习OpenCV——HoG特征详解（特征点篇）

最新推荐文章于 2024-07-22 22:09:31 发布

小熊不去实验室

最新推荐文章于 2024-07-22 22:09:31 发布

阅读量3.7w

点赞数 5

分类专栏：计算机视觉特征篇 OpenCV 学习OpenCV 文章标签：检测特征

本文链接：https://blog.csdn.net/yangtrees/article/details/7463431

版权

本文详细介绍了HOG（Histogram of Oriented Gradients）特征，一种用于目标检测的技术，特别是行人检测。HOG通过计算图像的局部梯度直方图并进行归一化，实现了光照和形状变化的不变性。HOG特征由小细胞组成，每个细胞有自己的梯度直方图，再通过块归一化增强鲁棒性。相比于SIFT，HOG计算量小，但不具有旋转和尺度不变性。OpenCV提供HOGDescriptor类来方便使用。文章还提到了行人检测中的尺度和旋转不变性处理，并提供了相关资源链接和代码示例。

摘要由CSDN通过智能技术生成

HOG即histogram of oriented gradient, 是用于目标检测的特征描述子，该技术将图像局部出现的方向梯度次数进行计数，该方法和边缘方向直方图、scale-invariant feature transform类似，不同的是hog的计算基于一致空间的密度矩阵来提高准确率。Navneet Dalal and Bill Triggs首先在05年的CVPR中提出HOG，用于静态图像or视频的行人检测。

HOG特征原理：

HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。通过将整幅图像分割成小的连接区域（称为cells），每个cell生成一个方向梯度直方图或者cell中pixel的边缘方向，这些直方图的组合可表示出（所检测目标的目标）描述子。为改善准确率，局部直方图可以通过计算图像中一个较大区域(称为block)的光强作为measure被对比标准化，然后用这个值(measure)归一化这个block中的所有cells.这个归一化过程完成了更好的照射/阴影不变性。

与其他描述子相比，HOG得到的描述子保持了几何和光学转化不变性（除非物体方向改变）。因此HOG描述子尤其适合人的检测。

通俗的讲：

HOG特征提取方法就是将一个image：

1. 灰度化（将图像看做一个x,y,z（灰度）的三维图像）

2. 划分成小cells（2*2&#x