2020-07-06

计算机视觉（下）NO.4 HOG特征描述算子——行人检测
HOG特征是一种图像局部特征，基本思想是对图像局部的梯度幅值和方向进行投票，形成基于梯度特性的直方图，然后将局部特征拼接起来作为总特征。
HOG特征的原理为图像预处理，计算图像梯度，计算梯度直方图，Block归一化，获得HOG描述子。
图像预处理包括灰度化和Gamma矫正。灰度化是选择操作，实际上，HOG特征描述可以将3通道的彩色图像转换成一定长度的特征向量。
Gamma矫正公式为f(I) ＝I的γ次方。
γ越大，图像越暗；为1时，表示没有变化。
通过Gamma矫正，可以调节图像对比度，减少光照对图像的影响等。
计算图像梯度，首先计算图像的水平方向和垂直方向梯度，进而得到梯度直方图。
一般使用特定的卷积核对图像滤波实现，可选用的卷积模板有：soble算子、Prewitt算子、Roberts模板等等。一般采用soble算子，可以得到梯度幅值和梯度方向。
计算梯度直方图，梯度直方图图是一个由9个数组成的向量，对应204060…160的梯度方向(角度)。图像分成若干个cell，对每个bin中梯度的贡献进行统计，统计方法是一种加权投票统计，最终得到由9个数值组成的向量——梯度方向图。
方向梯度直方图HOG特征描述符常和线性支持向量机SVM配合使用，用于训练高精度的目标分类器。
Block归一化，归一化的目的是为了降低光照的影响。HOG通过滑动窗口来得到（22）block。
获得HOG描述子，每一个1616大小的block将会得到一个长度为36的特征向量，并进行归一化。获得HOG特征长度向量，就可以用来可视化和分类。
HOG描述的是边缘结构特征，可以描述为物体的结构信息，对光照不敏感，分块的处理可以使特征得到更紧凑的表示。但是特征描述子获取过程复杂，维数较高，实时性差，遮挡问题难以处理，对噪声比较敏感。