HOG算法实验

• 实验目的  

（1）能阐述方向梯度直方图的算法流程。

（2）能根据算法流程实现方向梯度直方图算法，并了解其原理。

（3）能应用方向梯度直方图算法进行行人检测。

• 实验内容

概述：本实验将通过实现方向梯度直方图（HOG）算法来进行行人检测

具体内容如下：

1. 导入相关库并初始化
2. 图像读取与预处理
3. 生成特征向量descriptor
4. 行人检测
5. 检测结果显示

• 实验器材

一台计算机具备基本图像处理能力，推荐配置为4GB RAM及以上

• 实验步骤与结果

(需包含关键步骤及代码)

1.导入相关库并初始化

2. 图像读取与预处理

3. 生成特征向量descriptor

4. 行人检测

5. 检测结果显示

• 实验总结

1. 为什么要将图片转换为灰度图后再提取 HOG 特征？

灰度图只包含亮度信息，每个像素用一个值表示，而彩色图像（如RGB）需要三个值（R、G、B）。使用灰度图可以降低计算复杂度，因为HOG特征提取主要关注形状和边缘，而不是颜色信息。灰度图转换减少了处理的数据量，从而提升了特征提取的速度和效率

1. cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 和 cv2.COLOR_RGB2GRAY 有什么区别？为什么选择 BGR？

cv2.COLOR_BGR2GRAY 是将BGR（蓝-绿-红）格式的图像转换为灰度图，而cv2.COLOR_RGB2GRAY 则是将RGB（红-绿-蓝）格式的图像转换为灰度图

选择 BGR 的原因：在OpenCV中，图像读取后的默认颜色格式为BGR

1. winSize、blockSize、blockStride、cellSize 分别代表什么？它们之间有什么数学关系？

winSize：滑动窗口的大小，blockSize：一个块的大小，blockStride：块滑动的步长，cellSize：单个单元的大小；blockSize 必须大于 cellSize，而且 blockSize 应能被 cellSize 整除

1. 尝试将 blockStride 从 (8,8) 改为 (16,16)，观察特征维度有何变化？为什么？

会导致提取到的HOG特征数量减少,因为滑动窗口在图像上移动的距离更大，从而导致生成的块数减少，最终特征的维度也随之减少

较大的步长意味着特征计算区域不再重叠，减少了捕捉细节和特征的机会，从而导致较少的HOG特征被提取

5、如果将 nbins 改为 18（将梯度方向划分更细），会发生什么？特征量会变多还是变少？

梯度方向的划分将变得更细,特征量会增加