本文介绍了如何利用HOG（Histogram of Oriented Gradients）特征进行人脸识别。首先讲解了HOG预处理步骤，包括图像的gamma矫正和梯度计算。接着，通过8*8的小块计算梯度方向的直方图统计特征，并进行16*16 block的L2归一化以增强光照不变性。最后，计算得到的HOG特征向量用于输入SVM进行分类。
HOG
HOG是计算图像的梯度以及方向，然后使用直方图对梯度值进行统计得到的特征
对待检测图像进行HOG特征提取后，送入SVM进行分类
1.HOG预处理
以下讲解默认图片为64X128
** gamma矫正**：将图像灰度化，并对每个像素进行gamma矫正，减小颜色和光照的影响
在进行gamma矫正，需要进行图像灰度归一化，归一到区间【0，1】，下图横轴代表归一化的像素值，纵轴代表进行选择不同gamma值的gamma值矫正之后的像素值
2.计算图像的梯度和方向
通过使用sobel算子求出水平梯度和垂直梯度；
关于sobel算子，可参考sobel算子
最后使用如下公式计算出梯度幅值和梯度方向[其中gx，gy分别指水平梯度，垂直梯度]
g = g x 2 + g y 2 θ = arctan g y g x g = \sqrt { g^2_x + g^2_y } \\ \theta = \arctan \frac{g_y}{g_x} g=gx2+
最低0.47元/天 解锁文章
扫一扫
1070
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
