OpenCV之HOG的相关函数

【原文：http://blog.csdn.net/antter0510/article/details/20565045】

趁热打铁对opencv的源代码进行分析，这里仅在代码实现的角度进行分析，至于HOG的实现原理神马的就不在赘述了。

一般调用过程：初始化一个HOGDescriptor（各种参数及svmDetector系数），读入单幅图像，调用detector方法，得到行人可能存在矩阵集合hits。

在调用detect函数的内部：初始化实例化一个HOGCache（完成单幅图像的梯度幅度图及梯度方向图的计算，对blockData，pixData进行初始化工作）；对指定扫描窗口或遍历所有扫描窗口（取决于locations是否为空）计算扫描窗口对应特征向量；将计算得到的特征向量与svmVec作乘累加；利用阈值对结果进行判定，如果超过阈值，则说明当前窗口内含有行人，将该扫描窗口的相关信息进行保留；继续计算下一个扫描窗口，直到结束。

关键函数：

HOGDescriptor：computeGradient，compute，detect，detectMultiScale；

HOGCache：init，getBlock；

HOGInvoker：operator

HOGDescriptor :: computeGradient()：完成梯度幅度值及梯度方向值的计算。利用mapBuf计算扩展图像与原始图像位置映射关系（利用borderInterpolate函数）；

创建连续内存空间_dbuf，完成对dx，dy，mag，angle的存放；利用angleScale系数将[0,2pi]划分为18个单元，之后取整并利用hidx -= nbins操作，将其归拢到九个单元中

HOGCache :: init()：完成对HOGCache的初始化工作，包括对梯度幅值、方向值的计算，对blockData及pixData的计算过程。

通过调用computeGradient函数完成幅值方向值的计算；

//blockData中的内容是在单个滑动窗口内所有block的相对位置，及对应特征向量的相对位置。

//pixData中包含单个block中所有像素的信息，具体内容包括：当前像素距离所属block起点的grad距离、qangle距离；当前像素产生影响的cell的直方图相对偏移量（相对于block特征向量起点）及其影响因子；当前像素的在block中的权重（由位置决定）。

计算blockData及pixData的作用，利用blockData可以在一次滑动窗口的特征向量的计算过程中能够通过查询blockData直接定位每一个block在原始img中的位置（与当前滑动窗口位置相加），及对应产生特征向量的位置（同样进行加操作）；利用pixData在计算单个block的特征向量是直接遍历所有像素点，对对应特征向量进行赋值，不需要再有额外的操作。（如若不然，没有清晰的分析）

HOGCache :: getBlock()：完成指定block特征向量的快速计算。利用blockData、pixData数据。其中pixData的存储方式是连续的内存单元[...C1...C2...C4]，所以可以经由变量k依次读取，完成对一个block中所有像素的遍历过程，通过C1、C2、C4界定不同影响力的像素，并完成相应的计算过程。

HOGDescriptor :: compute()：完成对整幅图像中所有扫描窗口，或指定扫描窗口的特征向量的计算。首先初始化HOGCache，之后遍历所有扫描窗口，在每个扫描窗口内遍历所有block并通过调用getBlock函数进行特征向量的快速计算。

HOGDescriptor :: detect()：过程与compute()基本类似，不同在于，在计算扫描窗口特征向量过程中利用svmVec进行计算，并最终判定当前扫描窗口内是否含有行人

HOGDescriptor :: detecMultiScale()：这里的多尺度指的是将原始图像缩小不同的比例，保持扫描窗口大小不变。

这里的多尺度的处理过程使用了并行计算，parallel_for函数。在循环体内对原始图像进行不同比例的缩小，之后进行detec操作，再根据比例反推检测到的矩形在原始img中的信息，保存信息。结束