1、簡介
HOG（Histogram of Oriented Gridients的簡寫）特征檢測算法，最早是由法國研究員Dalal等在CVPR-2005上提出來的，一種解決人體目標檢測的圖像描述子，是一種用于表征圖像局部梯度方向和梯度強度分布特性的描述符。其主要思想是：在邊緣具體位置未知的情況下，邊緣方向的分布也可以很好的表示行人目標的外形輪廓。
2、檢測步驟
HOG特征檢測算法的幾個步驟：顏色空間歸一化—>梯度計算—>梯度方向直方圖—>重疊塊直方圖歸一化—>HOG特征。

2.1、顏色空間歸一化
由于圖像的采集環境、裝置等因素，采集到的人臉圖像效果可能不是很好，容易出現誤檢或漏檢的情況，所以需要對采集到的人臉進行圖像預處理，主要是處理光線太暗或太強的情況，這里有兩次處理：圖像灰度化、Gamma校正。
①圖像灰度化
對于彩色圖像，將RGB分量轉化成灰度圖像，其轉化公式為：

②Gamma校正
在圖像照度不均勻的情況下，可以通過Gamma校正，將圖像整體亮度提高或降低。在實際中可以采用兩種不同的方式進行Gamma標準化，平方根、對數法。這里我們采用平方根的辦法，公式如下（其中γ=0.5）：

2.2、梯度計算
對經過顏色空間歸一化后的圖像，求取其梯度及梯度方向。分別在水平和垂直方向進行計算，梯度算子為：

gamma和梯度代碼： /***************************************** Copyright (c) 2015 Jingshuang Hu @filename:demo.cpp @datetime:2015.08.06 @author:HJS @e-mail:eleftheria@163.com @blog:http://blog.csdn.net/hujingshuang *****************************************/ #include <iostream> #include <cv.h> #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/imgproc/imgproc.hpp>using namespace cv; using namespace std; int main() {Mat picture = imread("test.jpg", 0);//灰度Mat img;picture.convertTo(img, CV_32F); //轉換成浮點sqrt(img, img); //gamma校正normalize(img, img, 0, 255, NORM_MINMAX, CV_32F);//歸一化[0,255]浮點數Mat gradient = Mat::zeros(img.rows, img.cols, CV_32F);//梯度Mat theta = Mat::zeros(img.rows, img.cols, CV_32F);//角度for (int i = 1; i < img.rows - 1; i++){for (int j = 1; j < img.cols - 1; j++){float Gx, Gy;Gx = img.at<float>(i, j + 1) - img.at<float>(i, j - 1);Gy = img.at<float>(i + 1, j) - img.at<float>(i - 1, j);gradient.at<float>(i, j) = sqrt(Gx * Gx + Gy * Gy);//梯度模值theta.at<float>(i, j) = float(atan2(Gy, Gx) * 180 / CV_PI);//梯度方向[-180°，180°]}}normalize(gradient, gradient, 0, 255, NORM_MINMAX, CV_8UC1);//歸一化[0,255] 無符號整型normalize(img, img, 0, 255, NORM_MINMAX, CV_8UC1);imshow("原圖", picture);imshow("Gamma校正", img);imshow("梯度圖", gradient);waitKey();return 0; }

2.3、梯度方向直方圖
將圖像劃分成若干個cells（單元），8x8=64個像素為一個cell，相鄰的cell之間不重疊。在每個cell內統計梯度方向直方圖，將所有梯度方向劃分為9個bin（即9維特征向量），作為直方圖的橫軸，角度范圍所對應的梯度值累加值作為直方圖縱軸，每個bin的角度范圍如下。

2.4、重疊塊直方圖歸一化
HOG的圖像分割策略，一般來說有overlap和non-overlap兩種。overlap指的是分割出的區塊（patch）互相交疊，有重合的區域。non-overlap指的是區塊不交疊，沒有重合的區域。這兩種策略各有各的好處。先說overlap，這種分割方式可以防止對一些物體的切割，以眼睛為例，如果分割的時候正好把眼睛從中間切割并且分到了兩個patch中，提取完HOG特征之后，這會影響接下來的分類效果，但是如果兩個patch之間overlap，那么至少在一個patch會有完整的眼睛。overlap的缺點是計算量大，因為重疊區域的像素需要重復計算。再說non-overlap，缺點就是上面提到的，有時會將一個連續的物體切割開，得到不太“好”的HOG特征，優點是計算量小，尤其是與Pyramid（金字塔）結合時，這個優點更為明顯。

假設有一幅圖像大小為220x310，將其劃分成若干個8x8的cells，顯然220÷8=27.5、310÷8=38.75不是整數，也就是說劃分之后依然還有多余像素不能構成cell。處理辦法是將圖像縮放成能被8整除的長寬（如216x304），再劃分。216÷8=27，304÷8=38，因此，216x304的圖像可以得到27x38個cells，沒有重疊。
由于圖像中光照情況和背景的變化多樣，梯度值的變化范圍會比較大，因而良好的特征標準化對于檢測率的提高相當重要。標準化的方法多種多樣，大多數的都是將celll放在block中，然后標準化每個block。
以上述縮放后的圖像為例，共得到27x38個cell，也就是將圖像劃分成了27x38個單元；將上下左右相鄰的2x2個cells當做一個block整體，如下所示（為方便觀察，每個顏色框故意錯開了一點），黑色的8x8像素為一個cell，紅、藍、黃、粉紅、綠框都是一個block，即每個框內2x2的cell組成一個block。故27x38個cell可劃分成26x37個block，每個block為16x16像素。相鄰block之間是有重疊的，這樣有效的利用了相鄰像素信息，對檢測結果有很大的幫助。

接下分別對每個block進行標準化，一個block內有4個cell，每個cell含9維特征向量，故每個block就由4x9=36維特征向量來表征。

由于L2-norm簡單且在檢測中效果相對較好，故一般采用它。

經過上述對有重疊部分block的直方圖歸一化之后，將所有block的特征向量都組合起來，則形成26x37x36=34632維特征向量，這就是HOG特征，這個特征向量就可以用來表征整個圖像了。
實際上，在運用的時候，我們通常是選取一幅圖像中的一個窗口來進行特征提取，依然以上述220X310大小圖像為例，經過縮放處理后為216x304，但并不直接提取整個圖像的HOG特征，而是用一個固定大小的窗口在圖像上滑動，滑動的間隔為8個像素，opencv中默認的窗口大小為128x64（高128，寬64），即有(128÷8)x(64÷8)=16x8個cell，也即有15x7個block，這樣一來一幅圖像就可以取到(27-16)x(38-8)=11x30=330個窗口。現在提取每個窗口的HOG特征，則可得到105x36=3780維HOG特征向量。
將這330個3780維的HOG特征當做測試樣本，用支持向量機（SVM）分類器來判別出，這些窗口的HOG特征是否有行人，有行人的用矩形框標記起來。HOG行人特征及所對應的SVM分類器的參數，在opencv中已經訓練好了，我們只需要得到HOG特征，然后調用SVM即可得到判別結果。

參考：
http://blog.csdn.net/hujingshuang/article/details/47337707/
http://blog.sina.com.cn/s/blog_60e6e3d50101bkpn.html
https://www.cnblogs.com/hrlnw/archive/2013/08/06/2826651.html

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的特征提取——HOG方向梯直方图的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。