hog特征与fhog特征

 
 
 

  
  
  
fhog在KCF和DSST中都用到了，当时看KCF的时候做了总结，放在这里。

  
  
  
传统hog特征提取。

  
  
  
关于HOG特征（梯度统计直方图）简单介绍一下，首先是对原图进行灰度化（hog统计的是梯度信息，色彩几乎没有贡献），再进行gamma压缩和归一化（减轻光照影响）。然后进行统计，首先是统计每个cell（代码里用的是4_4）里的梯度（包括大小和方向，大小用来加权方向）统计直方图，再把几个cell合并成一个block，作为这个block的hog的特征，并对这个特征进行归一化处理，可以进一步减轻光照影响。

合并成block的时候有两种方式，一种overlap一种non-overlap的，就是分块之间是否有重叠，各有优缺点，没有重叠速度快，但是可能由于连续的图像没有分到一个block里降低特征的描述能力，有重叠的就可以很好的解决这个问题，但是会带来运算开支加大。

如图，是一个11_9的图像，我们把橙色的3_3当作一个cell，统计其中的梯度方向并用幅值加权，假设我们分为9个方向，这样的话每个cell中可以得到9个特征，蓝色（2_2个cell）作为一个block，则每个block就会得到4_9=36个特征，这些特征是按照顺序串联起来的（保证空间特征），如果是overlap的话（边界不够一个block的舍弃），那么行方向可以有2个block，列方向也是有2个block，这样就会得到2_2_36=144维的一个特征，可以发现特征的维度还是很大的。
  
  
  


   
   
   


    
    
    

     
     
     
    
    
    


   
   
   

   
   
   


  
  
  

  
  
  
那么hog特征怎么用到CSK的框架中呢？直接用显然是不可以的，因为很难把一个一维特征和pos信息联系起来，而且对一个hog特征进行循环移位也是没有意义的。

  
  
  
FHOG

  
  
  
作者在传统的hog特征上进行了一些改进，这种改进的思路提供了一种把高维特征融入到相关滤波框架中的一种方法：这种方法在论文中作者基本没提，只说了参考论文：Object Detection with Discriminatively Trained Part Based Models,论文的第六部分详细说明了hog特征和fhog特征的提取方法，对于传统的hog特征还是做了一些改进。

下面说明这种方法：

  
  
  
1.建立像素级特征映射

  
  
  


  
  
  

首先是计算每个像素的梯度大小和方向，分别记为： 
  
  
  


   
   
   


    
    
    


    
    
    

     
     
     
    
    
    

   
   
   

   
   
   


  
  
  


  
  
  

然后把每个像素的梯度方向离散到p的值中的一个，可以使用对方向敏感 B1（0-360度）也可以使用对方向不敏感 B2（0-180度）。
  
  
  


   
   
   


    
    
    


    
    
    

     
     
     
    
    
    

   
   
   

   
   
   


  
  
  

下面使用B表示B1和B2。

我们定义一个像素级的特征映射，指定每个像素梯度幅值的稀疏直方图，设b的取值为：