本文介绍了HOG（Histograms of Oriented Gradients）算法的基础原理，用于行人检测。HOG通过图像Block分割、统计加权直方图、直方图级联等步骤提取特征。在Block内，将图像划分为Cell并计算梯度，使用三线性插值计算加权直方图，最后级联Cell和Block的直方图形成高维特征向量，可作为分类器如SVM的输入。后续研究针对HOG的尺度不变性和计算效率进行了改进。
2005年Dalal等在CVPR上发表了一篇文《Histograms of Oriented Gradients for Human Detection》，提出了HOG（Histograms of Oriented Gradients）的基本算法，用于行人检测。自此，许多基于HOG的算法相继提出，用以提高HOG的性能和速度。本文对HOG的基本原理做一简单介绍。HOG的基本思想就是对检测窗口（在图像中滑动）进行分割以形成Block和Cell，然后计算每个像素的梯度（包括方向和幅值），利用以Block为单位统计每个Cell的加权直方图，最后将各个Cell和Block内的直方图进行级联形成HOG描述符。主要步骤如图1所示：
图1 HOG提取示意图
最低0.47元/天 解锁文章
扫一扫
640
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
