本文介绍了Histogram of Oriented Gradients（HOG）特征检测的原理，包括预处理、梯度计算、直方图构建和归一化。在OpenCV中，通过resize()、sobel()和cartToPolar()等函数计算图像梯度，再利用block和cell结构进行特征提取。最终，通过normalize()进行L2范数归一化，得到7x15x36维的HOG特征描述子。OpenCV提供了HOGDescriptor类用于方便地调用HOG特征提取算法。
查看了一些关于HOG特征检测的文章，觉得Histogram of Oriented Gradients这一篇文章讲的比较清楚。整理如下。
1.预处理
用于计算HOG特征的图像一般都是选择大小为64x128像素大小。在opencv中可以直接调用resize()来完成，得到src。当然也有先裁剪在resize()的操作方式。这里也可以采用gamma correction对src进行处理，但是从Dalal和Triggs的论文可知，其作用并不是很大，所以也可以不用。
关于gamma校正可以参考伽马（Gamma）校正的原理及opencv实现。
2.计算梯度图像
需要计算出src在X和Y方向的梯度图像Gx和Gy（梯度图像均为单通道图像），然后根据Gx和Gy计算出幅值和角度，这里的角度一般采用无符号表示，即0~1
最低0.47元/天 解锁文章
扫一扫
3194
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
