图像特征提取_Hog图像特征提取算法,HOG

点击上方「蓝字」关注我

HOG图像特征提取算法

• HOG简介

• HOG特点

• HOG计算步骤

• HOG参数计算

• HOG提取特征效果

• HOG代码实现

HOG简介

HOG全称：方向梯度直方图(Histogram of Oriented Gradient)，发表于2005年的CVPR，是一种图像特征提取算法，和SVM分类器结合应用于行人检测领域。HOG通过计算图像中每个像素的梯度的大小和方向，来获取图像的梯度特征，是一种特征描述子。

HOG特点

1.由于计算局部直方图和归一化，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；
2.细微的动作可以被忽略而不影响检测效果。

HOG计算步骤

1.对输入图像进行灰度化
2.利用gamma校正法对图像进行颜色空间归一化；
3.计算图像中每个像素的梯度大小和方向；
4.将图像划分cells，计算每个cell内的梯度直方图；
5.将每几个cell组成一个block，计算每个block内的梯度特征；
6.将图像中所有block的梯度特征组合起来就得到了图像的特征描述子；
7.将图像特征输入分类器进行分类。

HOG参数计算

计算流程
图像(image)->滑动图像块(block)->细胞单元(cells)

1.block个数计算
假设图像大小为128x128，block大小为16x16， block stride为8x8
则block个数 = ((128-16)/8+1) x ((128-16)/8 +1) = 15x15 = 2252.每个block内的cell个数计算
假设cell size为8x8
则cell个数 = (16x16) / (8x8) = 43.每张图特征维度
假设直方图等级数 bins = 9
则每张图的特征维度 = 225 x 4 x 9 = 8100

HOG提取特征效果

原图：