计算机视觉特征点检测（4） —— HOG特征描述算子

HOG特征介绍

HOG（Histogram of Oriented Gradients —— 方向梯度直方图）特征是一种图像局部特征，其基本思路是对图像局部的梯度幅值和方向进行投票统计，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+SVM的工作流程图如下：

首先对输入的图片进行预处理，然后计算像素点的梯度特性，包括梯度幅值和梯度方向。然后投票统计形成梯度直方图，然后对blocks进行normalize，最后收集到HOG feature，放到SVM里进行监督学习，从而实现行人的检测。

HOG处理步骤

图像预处理

预处理包括灰度化和Gamma变换。
伽马矫正是调节图像的对比度，减少光照对图像的影响（包括光照不均和局部阴影），使过曝或者欠曝的图像恢复正常，更接近人眼看到的图像。
伽马矫正公式：
$$f(I)=I^{\gamma }$$

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('*.png', 0)
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
img2 = np.power(img/float(np.max(img)),1/2.2)
plt.imshow(img2)
plt.axis('off')
plt.show()

计算图像梯度

为了得到梯度直方图，那么首先需要计算图像水平方向和垂直方向梯度。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等。
soble算子：
S o b e l X = [ 1 0 − 1 ] ∗ [ 1 2 1 ] = [ 1 2 1 0 0 0 − 1 − 2 − 1 ] S o b e l Y = [ 1 2 1 ] ∗ [ 1 0 − 1 ] = [ 1 0 − 1 2 0 − 2 1 0 − 1 ] d x = f ( x , y ) ∗ S o b e l x ( x , y ) d y = f ( x , y ) ∗ S o b e l y ( x , y ) Sobel_X=\begin{bmatrix} 1\\ 0\\ -1 \end{bmatrix} \ast \begin{bmatrix} 1&2&1 \end{bmatrix} = \begin{bmatrix} 1 & 2 & 1\\ 0 & 0 & 0\\ -1 &-2 &-1 \end{bmatrix} \\ Sobel_Y=\begin{bmatrix} 1\\ 2\\ 1 \end{bmatrix} \ast \begin{bmatrix} 1 & 0& -1 \end{bmatrix} = \begin{bmatrix} 1 & 0 & -1\\ 2 & 0 & -2\\ 1 & 0 & -1 \end{bmatrix} \\ d_x = f(x,y) * Sobel_x(x,y) \\ d_y = f(x,y) * Sobel_y(x,y) SobelX​=