HOG算法

HOG:

HOG算法的核心思想就是利用物体表面的光强或边缘方向的分布可以描述整个物体，
利用HOG算法提取的特征实质就是图像的光强和边缘方向的分布。
HOG算法的具体操作就是将图像分割成很多小的连接区域，在每个小的区域之中生产多个方向梯度直方图
或像素点的边缘方向，图像所有的这些区域的方向梯度直方图或像素点边缘方向就构成了图像的
描述子HOGDescriptor，这个描述子即可作为识别该图像物体的特征向量。 
Opencv中HOG算法在实现过程中，采用窗口移动的方法对整幅图进行计算，每个窗口中又有块，
块由四个小区域组成，块在窗口中移动，块遍历完整个窗口后，窗口在移动，直到整个图片被计算完。

 

Histogram of Oriented Gradient descriptors provide a dense overlapping description of image regions，
即统计图像局部区域的梯度方向信息来作为该局部图像区域的表征。

特点

1）HOG没有选取主方向，也没有旋转梯度方向直方图，因而本身不具有旋转不变性（较大的方向变化），
其rotate不变性是通过采用不同旋转方向的训练样本来实现的； 
2）HOG本身不具有scale不变性，其scale不变性是通过改变检测图像的size来实现的；
3）HOG是在dense采样的图像块中求取的，在计算得到的HOG特征向量中隐含了该块与检测窗口之间的
空间位子关系，而SIFT特征向量是在一些独立并离散分布的特征点上提取的（dense SIFT除外）。

优点：

核心思想是所检测的局部物体外形能够被梯度或边缘方向的分布所描述，HOG能较好地捕捉局部形状信息，
对几何和光学变化都有很好的不变性；

HOG是在密集采样的图像块中求取的，在计算得到的HOG特征向量中隐含了该块与检测窗口之间的空间位置关系。


缺点：

很难处理遮挡问题，人体姿势动作幅度过大或物体方向改变也不易检测
（这个问题后来在DPM中采用可变形部件模型的方法得到了改善）；

跟SIFT相比，HOG没有选取主方向，也没有旋转梯度方向直方图，因而本身不具有旋转不变性
（较大的方向变化），其旋转不变性是通过采用不同旋转方向的训练样本来实现的；

跟SIFT相比，HOG本身不具有尺度不变性，其尺度不变性是通过缩放检测窗口图像的大小来实现的；


此外，由于梯度的性质，HOG对噪点相当敏感，在实际应用中，在Block和Cell划分之后，
对于得到各个像区域中，有时候还会做一次高斯平滑去除噪点。