HOG特征（Histogram of Gradient）总结

最新推荐文章于 2023-02-17 19:30:00 发布

快乐成长吧

最新推荐文章于 2023-02-17 19:30:00 发布

阅读量7.2k

点赞数 2

分类专栏：算法

本文链接：https://blog.csdn.net/qq_37791134/article/details/81413758

版权

HOG（Histogram of Oriented Gradients）是一种用于物体检测的特征描述子，常用于行人检测。HOG通过计算图像局部区域的梯度方向直方图，并进行对比度归一化，对光照变化和阴影具有较好的不变性。本文详细介绍了HOG特征的计算步骤，包括图像预处理、梯度计算、空间/方向分箱、归一化和描述符构造等，并探讨了HOG在行人检测中的优势和局限性。此外，还提供了相关资源链接以供深入学习。

摘要由CSDN通过智能技术生成

在做的项目有用到HOG+SVM这一方面的知识,虽然很久之前的内容了，所以记录一下。

1、HOG特征：

方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。

（1）主要思想：

在一副图像中，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）。

（2）具体的实现方法是：

首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。

（3）提高性能：

把这些局部直方图在图像的更大的范围内（我们把它叫区间或block）进行对比度归一化（contrast-normalized），所采用的方法是：先计算各直方图在这个区间（block）中的密度，然后根据这个密度对区间中的各个细胞单元做归一化。通过这个归一化后，能对光照变化和阴影获得更好的效果。

（4）优点：

与其他的特征描述方法相比，HOG有很多优点。首先，由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。因此HOG特征是特别适合于做图像中的人体检测的。

博文1：OpenCV HOGDescriptor：参数与图解

http://blog.csdn.net/raodotcong/article/details/6239431

博文2：opencv源码解析：各个参数讲解

http://www.cnblogs.com/tornadomeet/archive/2012/08/15/2640754.html

博文3：hog特征可视化：matlab 与 C++

http://blog.csdn.net/u011285477/article/details/50974230

博文4：hog汇总

http://www.lxway.com/122812.html

博文5：HOG：从理论到OpenCV实践

http://blog.csdn.net/zhazhiqiang/article/details/21047207

感谢：

https://blog.csdn.net/u011285477/article/details/50974230/

https://blog.csdn.net/qq_29422251/article/details/51638087

参考资料：
HOG的经典论文：Dalal N, Triggs B. Histograms of oriented gradients for human detection[C]//Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on. IEEE, 2005, 1: 886-893.(2016:Google Citation: 14046)
下载链接：<