HOG基本思想及瞎想

    HOG（histogram of oriented gradient） 是成名的特征描述方法，在检查行人的应用上收到很好的效果，所以学习一下。

    图像的特征提取的一个基本前奏就是，先给分块，然后对每个分块进行处理。典型的hog的做法是将图像分成8*8像素的 cell，针对每个cell进行特征提取处理。首先是针对每个像素的x，y方向的梯度计算，也可说是一维卷积吧，x方向模板[-1 0 1]，y方向模板为[1 0 -1]'，转置一下表明是竖方向的算子。梯度计算的算式就是：

         Gx = f（x+1 ， y）- f(x-1, y); Gy = f(x, y+1) - f(x, y-1). 

     然后计算当前点的梯度幅值和方向： Gxy = sqrt(Gx^2 +G y^2);   α = arctan(Gy/Gx); 

角度α可以是180度以内也可以是360度以内的。

     对于cell中每个像素，计算Gxy，和α。

     接下来是对cell的直方图进行统计，一般将平面分成9个区间，按照角度，每个区间范围是2π/9。由于某个像素的梯度方向α可能不是2π/9的整数倍，需要进行线性插值操做出分解(一般叫投票)，将对应的Gxy分到邻近的两个分量上去。对于2kπ/9方向（k=0---8），cell中所有像素对应的Gxy加到一起，形成一个2kπ/9方向的分量，从而一个cell形成了9个梯度方向直方图描述符。

     剩下的就是一个图所有cell的hog串联形成一个整体描述符，就可以进行接下来的svm分类训练和识别了。

    下面要说的，是我的瞎想啦^_^。

     我们已经知道有各种各样的卷积模板，来进行不同方向的特征提取，那么如果针对一个cell，设计出9作用方向不同的卷积核，分别对图像进行处理，然后对每个卷积后的图像做某种特征计算，会得到什么鬼。。。HOG的作者做出了相当多的试验，最终证明HOG特征是最合适的行人检测的特征描述符，咱的瞎想。。今天天气，，，哈哈哈。。。好嘛，反正我是有不成熟的想法和疑问啦。