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