HOG：概述

HOG是什么？

方向梯度直方图，也称为HOG，是一种特征描述符，类似于Canny边缘检测器。它用于计算机视觉和图像处理中的目标检测。

该技术统计图像局部区域中梯度方向的出现次数。该方法类似于边缘方向直方图和尺度不变特征变换（SIFT）。

HOG描述符关注对象的结构或形状。它比任何边缘描述符都好，因为它使用梯度的大小和角度来计算特征。对于图像区域，它使用梯度的大小和方向生成直方图。

---

计算特征的步骤

1.获取要计算其特征的输入图像。将图像调整为128x64像素（高128像素，宽64像素）的图像。论文中使用了该维度，作者建议将其作为此类检测的主要目标，以在行人检测任务中获得更好的结果。由于本文作者在麻省理工学院行人数据库上获得了异常完美的结果，他们决定制作一个新的、更具挑战性的数据集，称为“INRIA”数据集(http://pascal.inrialpes.fr/data/human/)，包含从一组不同的个人照片中剪下的1805（128x64）幅人类图像。

图1：导入的图像。图2：灰度图像。图3：缩放导入图像和灰度图像：

2.计算图像的梯度。梯度是通过结合图像的大小和角度来获得的。考虑3x3像素的块，首先计算每个像素的Gx和Gy。对于每个像素值，首先使用以下公式计算Gx和Gy。

在计算Gx之后，使用下面提到的公式计算每个像素的幅值和角度。

图4：图像幅值的可视化。图5：图像角度的可视化图片

3.在获得每个像素的梯度后，梯度矩阵（幅值和角度矩阵）被划分为8x8个单元以形成块。对于每个块，计算9 区间 直方图，每个区间的角度范围为20度。图8表示一个9区间的直方图，其中的值在计算后分配。这些直方图中的各个区间输出该块中梯度的幅值。由于块包含64个不同的值，因此对于所有64个幅值和梯度值，将执行以下计算。由于我们使用9区间直方图，因此：

第j个区间的边界如下：

每个区间的中心值为：

图6：幅值图像上的8x8块。图7：角度图像上的8x8块图片

图8：9区间直方图的表示