目标检测—HOG（方向梯度直方图）特征

HOG特征

方向梯度直方图（Histogram of Oriented Gradient, HOG）特征在计算机视觉中用于物体检测，通过计算图像局部区域的梯度直方图来构成特征。

一、主要原理

梯度主要位于边缘区域，因此我们能容易通过梯度的方向密度分布来获取边缘信息，进而推断目标的表象和形状。

二、实现方法

将目标表图像分割为细胞单元（cell），计算每个cell各像素点的梯度（边缘方向）直方图，组合这些直方图得到特征描述器。

三、性能优化

将若干cell组成更大范围的block，计算block中各直方图的密度，根据密度对block中的cell单元进行归一化（normalization），从而在光照变化和阴影上取得更好效果。

四、优点

• 与其他特征描述方法相比，HOG在图像局部单元格上操作，能有效抵抗图像几何和光学上的形变（这两种形变在更大的空间领域上出现）。
• 其次在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件，HOG特征能在进行人体动作检测时忽略细微的干扰肢体动作。

HOG特征提取算法

1. 对目标图像灰度化（颜色信息作用不大）
2. 采用Gamma校正法对输入图像进行颜色空间的归一化，从而调节图像对比度，降低图像局部阴影和光照以及噪声造成的影响
3. 计算图像每个像素的梯度（大小和方向）以捕获边缘轮廓信息，同时进一步弱化光照干扰。
4. 将图像分割为cell单元（如6*6像素/cell）
5. 将若干cell组成block（如33cell/block），组合block内所有cell的descriptor特征，得到该block的HOG特征descriptor*。
6. 将图像内所有block的HOG特征的descriptor串联起来，得到检测目标可供分类使用的特征向量。

补充说明

1. 图像中像素点的梯度计算

• 用[-1,0,1]梯度算子对原图像做卷积运算，得到x方向的梯度分量gradscalx
• [1,0,-1]T梯度算子对原图像做卷积运算，得到y方向（竖直方向，以向上为正方向）的梯度分量gradscaly
• 用公式计算该像素点的梯度和方向

2. 为每个cell构造梯度方向直方图HOG

• 如每个cell为6*6像素，使用 9个bin的直方图统计这个cell的梯度信息。
• 将cell的梯度方向360°等分为9个方向块，如某像素梯度方向落与20-40°，梯度大小为2，则直方图第二个bin计数+2（梯度方向影响投影到哪个bin，梯度大小影响投影的权值），最后得到该cell的梯度方向直方图，对应9维特征向量（9个bin）
• 一个block内所有cell的特征向量串联起来便得到该block的HOG特征向量（9*9=81维）。
• 行人检测参数通常设置为：
  6✖️6pixel/cell
  3✖️3cell/block
  9✖️bin（直方图通道、即一个cell为9维特征向量）

参考资料

https://www.cnblogs.com/zhehan54/p/6723956.html
https://www.jianshu.com/p/354acdcbae3f
https://blog.csdn.net/zhanghenan123/article/details/80853523