【图像处理】深入解析HOG算法

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