hog特征:方向梯度直方图特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述。他通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中。
主要思想:在一幅图像中,局部目标的表象和形状能够被梯度或边缘的方向密度分布很好的描述。(本质在于梯度的统计信息,而梯度主要存在于边缘的地方)
具体实现的方法是:首先将图像分成小的连通区域,我们把它叫细胞单元。然后采集细胞单元中个像素点的梯度或边缘方向的直方图,最后把这些直方图组合起来就可以构成特征描述器。
提高性能:把这些局部直方图在图像的更大的范围内进行对比度归一化,所才用的方法是:先计算个直方图在这个区间中的密度,然后根据这个密度对区间中各个单元细胞做归一化。通过这个归一化后,能对光照变化和阴影获得更好的效果。
优点:与其他的特征描述方法相比,HOG有很多优点。1 由于HOG是在图像的局部方格单元上操作,所以他对几何和光学的形变都能保持很好的不变性,这两种形变只会出现在更大的空间领域上。2其次,在粗的空域抽样,精细的方向抽样以及较强的局部光学归一化等条件下,只要行人大体上能够保持直立的姿势,可以容许行人有一些细微的肢体动作,这些细微的动作可以被忽略而不影响检测效果。因此HOG特征是特别适合做图像中的人体检测的
HOG特征提取算法的实现过程
将一个image(你要检测的目标或者扫描窗口)
1灰度化 将图片看成一个xyz的三维图像
2采用Gamma校正法对输入图像进行颜色空间的归一化即标准化,目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰
3计算图像每个图像的梯度,包括大小和方向,主要是为了捕获轮廓信息 同时进一步弱化光照的干扰
4将图像划分成小cells
5统计每个cell的梯度直方图
6将每几个cell组成一个block,一个block内所有cell的特征descriptor串联起来变得到该block的HOG特征descriptor
7将图像image内所有block的HOG特征descriptor串联起来就可以得到该image的HOg特征descriptor。这个就是最终可供分类使用的特征向量了