![4bf6940fccd511a77cde3eb563f8fdf4.png](https://img-blog.csdnimg.cn/img_convert/4bf6940fccd511a77cde3eb563f8fdf4.png)
点击上方「蓝字」关注我
![2278b87241975b80c8ee55a73bfb46d7.gif](https://img-blog.csdnimg.cn/img_convert/2278b87241975b80c8ee55a73bfb46d7.gif)
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: