HOG特征原理梳理与实验分析

重读了HOG特征的论文，比起SIFT特征这种磨人小妖级别的特征，HOG还是naive. 但HOG特征的使用效果使得其在目前的应用中热度不减。讨论其设计思路是有意思的事情。本文试图从算法的步骤上分析算法设计的意义。但这毕竟是个人观点，各位自己也要判断，要是各位看官阅后理解出现了偏差，乃们自己也有责任。

几个问题

HOG特征也是人工设计的特征，既然是人工设计，那就一定包含了作者的深厚内力在里面，也是充满了经验主义，更多的是实验论证，疗效是关键，而不是理论上的优雅。关于它为什么就这么好，原作者本人也是做了经验上和工程上的分析。
本文主要探讨四个问题，为什么使用局部方向直方图，和作者强调的三个优点：良好的梯度尺度，良好的方向和粗糙的空间划分，高质量的有交叠的块描述子的局部对比度归一化在HOG特征的设计上是如何体现的。

原理框架

输入图像

HOG特征与SIFT特征不同的是它检测窗口尺度固定，通过降采样原始图片来获得与窗口尺寸匹配的输入图像，而SIFT把这部分直接做到了检测算子的构造流程中去。论文中选择64*128的窗口也是根据数据集的特点和待检测目标的性质决定的。

归一化伽马校正与彩色空间

和硕士论文一样，做图像的总喜欢加一个图像的预处理，一来为了凑字数，二来为了保证系统的完整性。在这里作者也试图通过伽马校正来抑制光照的影响，并试图改变色彩空间来提高性能。但针对行人检测，也或许是因为后续步骤对光照已经有较好的抑制，此步骤的引入会降低实验效果。

彩色空间（基准：RGB）	校正方法（基准：无校正）	效果
LAB	–	近似无区别
灰度	–	↓1.5%
–	平方根	↓1%
–	对数压缩	↓2%

计算梯度（良好的梯度尺度）

作者对图像在x和y方向各做了一个[1 0 -1]的差分，得到了x和y方向的梯度图。但何为良好的梯度尺度呢？好不好都是对比出来的。在做完差分后，一般加一个高斯平滑。但在这里，作者选择了最简单的操作，因为在这个任务中任何使用复杂操作的企图都会导致性能下降。

梯度算子	高斯平滑	效果
1-D point derivatives [1, 0, -1]	σ=0	baseline
Cubic corrected 1-D [1, -8, 0, 8, -1]	σ=0	↓1%
1-D point derivatives [-1,1]	σ=0	↓1.5%
2×2 diagonal ones	σ=0	↓1.5%
–	σ=2	↓9%

构造cell，bins权重投票（良好的方向和粗糙的空间划分）

与上一节一样，之所以称为良好，是因为比对比试验的结果都好。
作者试验了选取360度方向的情况，效果比180度差。作者最终选择了9个bin，因为试验的其他bin数效果都不如9,18的效果和9差不多，但在作者的评价点上略差。
划分的具体原理是，将方向按照距离相邻两个bin的距离按照幅值按比例划分。

Block的构造（高质量的有交叠的块描述子的局部对比度归一化）

作者将4个cell作为一个block，把每个cell中的9维向量连起来，得到一个block的36维特征，为什么是2×2的4个cell组成一个block，因为作者使用2×1的和1×2的各种试都不如2*2的效果好。
作者滑动block，每个block之间是有重叠的，因为不重叠性能会大幅下降，同时，有重叠也是类似工程问题的通用解决方法。这个过程类似卷积操作的滑动，不做赘述。

归一化

对得到的36维特征做归一化，增强特征间的对比度。作者选择了l2-hys, 即，先做l2-norm,结果中如果有值大于0.2，则截断设置为0.2，再重新做l2-norm.着也是大量实验对比得到的结果。

为什么用局部方向直方图

方向梯度直方图的使用，也是相关工程的通用手法。在形状上下文，SIFT，边缘向直方图等算法中都用到了这种操作。

可以看到，梯度的设定能够有效抑制光照导致的像素点绝对值的变化。局部的统计信息能够有效地提高算法的鲁棒性，抑制单一像素点的个体干扰。

论文对应代码实现

一篇简洁易懂的Matlab代码实现，取自网络，版权归原作者所有，侵删。

function [feature] = hog_feature_vector(im)

% The given code finds the HOG feature vector for any given image. HOG
% feature vector