目标检测的图像特征提取之（一）HOG特征

参考论文：histograms of oriented gradients for human detection

最近一门课上提到hog算法，从陌生到熟悉再到清楚，其实看文章写的很清楚，但是就是有一个点理解不了，纠结了很久，所以今天写出来给和我一样是初学者的用以参考，如果能够帮助到大家我也是开心哒~其实hog算法就是以梯度方向作直方图的方法，是一种经典的特征提取方法，这篇博文的脉络按照我读的文章的顺序来写吧。

1.对输入图像进行灰度变换，得到I(x,y)（其实这个地方可以看成是两种做法：第一种做法就是先将图像灰度化再进行伽马变换，最后求梯度的时候就直接求取梯度值；第二种方法就是直接进行伽马变换，在求取梯度的时候将rgb通道的最大值作为梯度。）

2.对图像进行伽马变换，主要作用是降低灰度级高的对比度，提升低亮度的对比度，取gamma=0.5，即I(x,y)=I(x,y).^gamma

3.求取图像的梯度，通过实验选取梯度算子，横向梯度算子为[-1  0  1]，纵向梯度算子为[-1  0  1].^T(转置)

4.构建梯度直方图

（1）假设图像的尺寸为128*64，设block窗口在图像中移动的步幅为8，block窗口的尺寸为16*16，图像中有若干个block，一个block里面有2*2个细胞cell，如图所示：

（2）对于每一个细胞cell内的像素统计梯度直方图，梯度方向为统计值，梯度值大小G(x,y)为权值，将0-180°均分成9个梯度直方图通道，无正负区分。

（3）将图像中统计出来的梯度直方图拉成向量，一个block里面的向量维度为4*9，block数量为((128-8)/8)*((64-8)/8)，则图像的向量维度为((128-8)/8)*((64-8)/8)*4*9=3780

5.SVM（支持向量机）对特征向量进行分类。