python实现cnn特征提取过程详解_Python人脸图像特征提取（HOG、Dlib、CNN方法）

Python人脸图像特征提取(HOG、Dlib、CNN方法)

一、HOG人脸图像特征提取

1、HOG特征：

1) 主要思想：

2) 实现方法：

3) 性能提高：

4) 优点

2、HOG特征提取算法的实现过程：

二、Dlib人脸图像特征提取

1.Dlib介绍

2.主要特点

三、卷积神经网络人脸图像特征提取

1、卷积神经网络简介

2、卷积神经网络结构

1) 输入层

2) 隐含层

卷积层

池化层

输出层

一、HOG人脸图像特征提取

1、HOG特征：

方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它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。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。

1) 主要思想：

在一副图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。其本质为：梯度的统计信息，而梯度主要存在于边缘的地方。

Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。

2) 实现方法：

首先将图像分成小的连通区域，这些连通区域被叫做细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来，就可以构成特征描述符。

3) 性能提高：

将这些局部直方图在图像的更大的范围内(叫做区间)进行对比度归一化，可以提高该算法的性能，所采用的方法是：先计算各直方图在这个区间中的密度，然后根据这个密度对区间中的各个细胞单元做归一化。通过这个归一化后，能对光照变化和阴影获得更好的效果。

4) 优点

与其他的特征描述方法相比，HOG有很多优点。首先，由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下