HOG特征-梯度方向直方图

简介

• HOG特征主要是用于目标检测等图像任务中，它能够提取图像中有意义的部分，进而用于分类等任务。

主要流程

• 给定一张图像，我们可以将其转换为特定大小的图像（不转换也可以，这里假设得到的图像尺寸都是一样的，方便后续的说明），假设尺寸为$W \cdot H \cdot 3$
• 设置cell(大小为$C_x \cdot C_y$)，求每个cell的x与y方向的梯度，进而可以得到这个cell的梯度及其方向，可以使用sobel算子进行梯度计算
• 根据每个cell中的梯度大小及方向，计算其梯度的直方图，梯度越大，对应梯度方向所在的直方图区域的权值就越大，一般可以设置直方图大小为$9X1$.
• 得到每个cell的梯度信息之后，我们希望梯度信息最后不受其光照信息等因素的影响，因此对其进行normalization的操作，但是更好的方法是设置将不同的cell组成一个block，在这其中对其进行normalization，我们假设一个block包含$b_x \cdot b_y$个cell，因此该区域的直方图就是一个$9b_xb_yX1$的向量，对每个block按照一个1cell的step进行滑动，我们最终可以得到$(W/C_x-b_x+1) \cdot (H/C_y-b_y+1)$个直方图向量，将所有的直方图reshape为1维向量，就能得到最终的HOG特征向量。

参考链接

• https://www.learnopencv.com/histogram-of-oriented-gradients/
• https://blog.csdn.net/wjb820728252/article/details/78395092