【Opencv学习】之HOG和SVM(用于行人检测)

1.HOG

(1)方向梯度直方图(Histogram of Oriented Gradient,HOG),HOG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。

(2)梯度主要位于边缘部分。采集各细胞单元(小的连通区域)的各像素点的梯度或边缘直方图来构成特征描述符。——归一化(用于提高性能)

(3)优点:对图像几何的和光学的不变性好;容许行人有细微的肢体动作(特别适合用于人体检测)

(4)步骤:

        a)色彩和伽马归一化(降低局部阴影和色彩变化)

        b)计算图像梯度(求导捕捉人体信息及进一步弱化光照影响;需要一个滤波器核滤除色彩或变化剧烈的数据)

        c)构建方向的直方图(幅值或幅值函数为权值,无向梯度和9个直方图最是个行人检测)

        d)将细胞单元组合成大的区间(对梯度强度做归一化,矩形区间(R-HOG),环形区间(C-HOG))

        e)收集HOG特征(将提取的HOG特征输入到SVM分类器中,寻找一个最优超平面作为决策函数)

(5)R-HOG与C-HOG。C-HOG最适合行人检测的参数设置:4个角度盒子,2个半径盒子,中心盒子半径为4个像素,伸展因子为2。

2.SVM

(1)支持向量机(Support Vector Machine)(核学习方法之一)

(2)理论:线性可分性,铰链损失函数,经验风险与正则化,核方法,Mercer定理

(3)算法

 

 

 

 

 

展开阅读全文

没有更多推荐了,返回首页