CV领域特征描述子1：HOG

CV领域特征描述子：HOG,SIFT--图片的简略替代

HOG：方向梯度直方图

本质:梯度的统计信息，能够很好的反映局部图像的边缘、形状

图像梯度基本原理：当图像中存在边缘时，一定有较大的梯度值，相反，当图像中有比较平滑的部分时，灰度值变化较小，则相应的梯度也较小，x方向梯度会强化垂直方向的特征 y方向梯度会强化水平方向的特征

由于图像是一个(按照像素)离散的二维函数，因此 𝜖 最小为1像素

Sobel算子

G=卷积核X原始图像

步骤：检查窗口，gamma校正的图像预处理，计算图像梯度，以cell为单位计算梯度直方图，以block为单位进行归一化，将所有block归一化后的梯度直方图组合成HOG特征向量

检查窗口大小根据具体应用场景选取

Gamma校正: 调节图像的对比度，减少图像的光照不均和局部阴影，即将过曝或曝光不足的图片，进行矫正。

从左到右，从上到下 -1，0，1-->梯度强度，梯度方向（0-180度）

梯度图移除了大量 非显著性特征，并加强了显著特征

三通道的彩色图， 梯度强度是三个通道中最大的那个， 方向是最大强度对应的方向

统计直方图，每20度为一个单元

优点：降低计算量+对光照等环境变化更加鲁棒

HOG特征基于统计方法， 所以对部分像素值变化不 敏感的，能够适应不同的环境

归一化：特征描述子应独立于光照变化，“归一化” 直方图，使其不受光照变化的 影响，方法：向量的每一个值 除以向量的模

梯度直方图的主导方向捕捉到了人的形状，尤其是躯干和腿部