HOG特征理解

HOG（histogram of oriented gradient）表示的是图像局部方向梯度直方图，主要用来进行复杂图像中的行人检测，并且比较通用的模型是HOG+SVM。

基本思想：在图像中，局部区域的特征能够 被梯度或边缘的方向密度信息很好的表示（本质就是边缘的梯度信息）

思想思路：将待分析图像人为经验分割成小的区域，分别针对每个区域统计各个像素点的边缘梯度信息并以直方图的形式表示，最终将所有分割区域的直方图表示进行组合得到图像的HOG特征表示

基本改进：将图像的各个区域的直方图特征进行融合后，分别统计各个直方图的密度分布，并且以密度分布最大值进行归一化处理得到最终的直方图特征表示，该方法可以很好的去除光照变换带来的特征表示鲁棒性差的影响

优点分析：由于统计直方图是针对局部分割区域进行的，因此该特征对于空间几何和光学形变具有很好的鲁棒性

具体实现过程：

1.将输入图像归一化；

2.对图像进行gamma校正，降低图像局部阴影和光照变化带来的影响，同时能够抑制噪声的干扰；

3.统计图像每一个像素点的梯度（大小和方向）；

4.将图像分成若干个小cells（例如6*6像素/cell），统计每个cell的直方图（即梯度不同的个数），形成cell的descriptor；

5.将各个cell联合形成block（例如3*3cell/block）统计得到block直方图，将所有block直方图串联形成最终图像的HOG特征descriptor；

6.设计分类器（svm）结合特征训练得到最终的分类识别模型

在写每个过程的时候，都是围绕“如何将该方法用到静脉特征提取”进行的，所以难免有不恰当的地方，大家凑合看看~~