方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是
一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。
至今虽然有很多行人检测算法,但基本都是以HOG+SVM的思路为主。
参考资料:http://blog.csdn.net/liulina603/article/details/8291093
计算过程
HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。
首先将图像分成小的连通区域,这些连通区域被叫做细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来,就可以构成特征描述符。
1)将图像划分成小cells(例如6*6像素/cell);
2)统计每个cell的梯度直方图(不同梯度的个数),即可形成每个cell的descriptor;
例如:每个cell为66个像素。假设我们采用9个bin的直方图来统计这66个像素的梯度信息。也就是将cell的梯度方向360度分成9个方向块。例如:如果这个像素的梯度方向是20-40度,直方图第2个bin的计数就加一,这样,对cell内每个像素用梯度方向在直方图中进行加权投影(映射到固定的角度范围),就可以得到这个cell的梯度方向直方图了,就是该cell对应的9维特征向量(因为有9个bin)。
3)将每几个cell组成一个block(例如3*3个cell/block),一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。
4)将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image(你要检测的目标)的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。