pynq实现hog+svm行人检测（1）

        本专栏内容为pynq实现hog+svm行人检测，将分为以下部分

（1）hog特征简介

（2）HLS实现

（3）上板验证

        由于本人能力不足，在文中出现的错误请各位指出。

        首先是第一部分，hog特征提取的简介。

        HOG（histogram of oriented gradients）意为方向梯度直方图，其可以用来表示图像的物体特征，SVM（support vector machines）支持向量机是一种二分类模型。提取图像的HOG特征并放到线性SVM模型里进行监督学习，从而实现行人的检测。

        首先第一步，将图片灰度化，RGB图片经过灰度化后由原来的3通道变成了1通道。公式如下

         对图像进行提取hog特征时，是以窗口为单位，比如一个128x64大小的窗口，以步长为8在一张图片进行滑动，滑动一次提取一次hog特征，进行一次判断。

        在窗口中，首先要进行的第一步是计算每个像素的梯度和幅值。计算公式如下

        g为幅值，θ为梯度。其中，gx是在x方向每个像素的变化，gy是y方向每个像素的变化，如下图

 

        圈中像素的gx=61-60=1，gy=62-60=2，对于最外的像素可以padding一圈0来计算。计算完后，可以得到每个像素的梯度和幅值。

 

        接下来，将这个窗口分成一个个cell，比如128x64的窗口分成16x8个8x8的cell，根据每个cell内的梯度方向，对应幅值加权分到9个bin上，可以得到16x8个长度为9的数组，也就是梯度直方图。

        具体操作为将0°-180°划分为9个区间bins，每个区间大小为20°。（也有将360°划分的，如果在之前求梯度时有加180°，使结果分布在0°-180°则用180°划分）

        根据cell内每个像素的梯度，将对应幅值加权分配到对应的bin中。例如某个像素g=30，θ=25°，梯度介于10~30之间，所以在bin2上应该加30x[（30-25）/20]=7.5，bin1上应该加30x[（25-10）/20]=22.5。

        再例如，如果θ=30°，那就直接将g加到bin2上。就这样将cell内的每个像素都操作，一个cell可以得到一个长度为9的数组，整个窗口可以得到16x8个这样的数组。

 

        接下来进行下一步，划分block，将4个8x8的cell组成1个的block，然后以步长为8移动，继续组成block。如下所示

 

        每个block内的4个cell的bin组成长度为36的数组，完成后，得到15x7个长度为36的数组。

        进行block划分的目的是为了进行归一化，归一化的目的是为了是降低光照的影响，归一化有多种方法，如下图

        这里采用的公式为

         即将一个block内的36个bin，每个bin都进行上公式的操作。完成归一化后，将15x7个长度为36的数组reshape成一个1x3780的向量以其作为SVM分类的依据。