问题
在深度学习目标检测算法问世之前,HOG+SVM可以说是最经典的传统目标检测算法了,既然是经典,那自然需要了解了解对吧。所以今天我们就来看一看,HOG是如何进行特征提取的。
HOG简介
HOG(Histogram of Oriented Gradient,即方向梯度直方图)是应用在计算机视觉和图像处理领域,用于目标检测的特征描述子,由Navneet Dalal和Bill Triggs等人在2005年CVPR发表的论文上提出。HOG通过计算和统计图像局部区域的梯度方向直方图来构建特征,结合SVM等分类器常用于图像识别等领域,尤其在行人检测中具有非常不错的表现。
HOG特征描述原理
● 主要思想:
在一幅图像中,局部目标的表象和形状(appearance and shape)能够被梯度或边缘的方向密度分布很好地描述。(本质:梯度的统计信息,而梯度主要存在于边缘的地方)。
● 具体操作:
先将图像划分为若干个cell,然后计算各个cell中每个像素点的梯度和边缘方向,然后分别统计每个cell的方向梯度直方图,构成了每个cell的特征描述子;
为了对光照和阴影有更好的不变性,需要对直方图进行对比度归一化,具体可以通过将局部直方图在图像更大的范围内(称为block)进行对比度归一化。组合每个block中归一化后的所有cell的descriptor,就构成了该block的descriptor。
最后将所有block的descr