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。
07-13
07-14
07-14
“相关推荐”对你有帮助么?
-
非常没帮助
-
没帮助
-
一般
-
有帮助
-
非常有帮助
提交