1.HOG特征前言

方向梯度直方圖（Histogram of Oriented Gradient, HOG）特征是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測的特征描述子。它通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。Hog特征結(jié)合SVM分類器已經(jīng)被廣泛應(yīng)用于圖像識別中，尤其在行人檢測中獲得了極大的成功。需要提醒的是，HOG+SVM進(jìn)行行人檢測的方法是法國研究人員Dalal在2005的CVPR上提出的，而如今雖然有很多行人檢測算法不斷提出，但基本都是以HOG+SVM的思路為主。

1.1 主要思想

在一副圖像中，局部目標(biāo)的表象和形狀（appearance and shape）能夠被梯度或邊緣的方向密度分布很好地描述。（本質(zhì)：梯度的統(tǒng)計(jì)信息，而梯度主要存在于邊緣的地方）。

1.2 具體的實(shí)現(xiàn)方法

首先將圖像分成小的連通區(qū)域，我們把它叫細(xì)胞單元。然后采集細(xì)胞單元中各像素點(diǎn)的梯度的或邊緣的方向直方圖。最后把這些直方圖組合起來就可以構(gòu)成特征描述器。

1.3 提高性能

把這些局部直方圖在圖像的更大的范圍內(nèi)（我們把它叫區(qū)間或block）進(jìn)行對比度歸一化（contrast-normalized），所采用的方法是：先計(jì)算各直方圖在這個(gè)區(qū)間（block）中的密度，然后根據(jù)這個(gè)密度對區(qū)間中的各個(gè)細(xì)胞單元做歸一化。通過這個(gè)歸一化后，能對光照變化和陰影獲得更好的效果。

1.4 優(yōu)點(diǎn)

與其他的特征描述方法相比，HOG有很多優(yōu)點(diǎn)。首先，由于HOG是在圖像的局部方格單元上操作，所以它對圖像幾何的和光學(xué)的形變都能保持很好的不變性，這兩種形變只會出現(xiàn)在更大的空間領(lǐng)域上。其次，在粗的空域抽樣、精細(xì)的方向抽樣以及較強(qiáng)的局部光學(xué)歸一化等條件下，只要行人大體上能夠保持直立的姿勢，可以容許行人有一些細(xì)微的肢體動作，這些細(xì)微的動作可以被忽略而不影響檢測效果。因此HOG特征是特別適合于做圖像中的人體檢測的。

2.HOG特征提取算法的實(shí)現(xiàn)過程

大概過程：

HOG特征提取方法就是將一個(gè)image（你要檢測的目標(biāo)或者掃描窗口）：
1）灰度化（將圖像看做一個(gè)x,y,z（灰度）的三維圖像）；
2）采用Gamma校正法對輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化（歸一化）；目的是調(diào)節(jié)圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時(shí)可以抑制噪音的干擾；
3）計(jì)算圖像每個(gè)像素的梯度（包括大小和方向）；主要是為了捕獲輪廓信息，同時(shí)進(jìn)一步弱化光照的干擾。
4）將圖像劃分成小cells（例如6*6像素/cell）；
5）統(tǒng)計(jì)每個(gè)cell的梯度直方圖（不同梯度的個(gè)數(shù)），即可形成每個(gè)cell的descriptor；
6）將每幾個(gè)cell組成一個(gè)block（例如3*3個(gè)cell/block），一個(gè)block內(nèi)所有cell的特征descriptor串聯(lián)起來便得到該block的HOG特征descriptor。
7）將圖像image內(nèi)的所有block的HOG特征descriptor串聯(lián)起來就可以得到該image（你要檢測的目標(biāo)）的HOG特征descriptor了。這個(gè)就是最終的可供分類使用的特征向量了。

具體每一步的詳細(xì)過程如下：

2.1?標(biāo)準(zhǔn)化gamma空間和顏色空間

為了減少光照因素的影響，首先需要將整個(gè)圖像進(jìn)行規(guī)范化（歸一化）。在圖像的紋理強(qiáng)度中，局部的表層曝光貢獻(xiàn)的比重較大，所以，這種壓縮處理能夠有效地降低圖像局部的陰影和光照變化。因?yàn)轭伾畔⒆饔貌淮?#xff0c;通常先轉(zhuǎn)化為灰度圖；
Gamma壓縮公式：

比如可以取Gamma=1/2；

2.2?計(jì)算圖像梯度

計(jì)算圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度，并據(jù)此計(jì)算每個(gè)像素位置的梯度方向值；求導(dǎo)操作不僅能夠捕獲輪廓，人影和一些紋理信息，還能進(jìn)一步弱化光照的影響。
圖像中像素點(diǎn)(x,y)的梯度為：

最常用的方法是：首先用[-1,0,1]梯度算子對原圖像做卷積運(yùn)算，得到x方向（水平方向，以向右為正方向）的梯度分量gradscalx，然后用[1,0,-1]T梯度算子對原圖像做卷積運(yùn)算，得到y(tǒng)方向（豎直方向，以向上為正方向）的梯度分量gradscaly。然后再用以上公式計(jì)算該像素點(diǎn)的梯度大小和方向。

2.3?為每個(gè)細(xì)胞單元構(gòu)建梯度方向直方圖

第三步目的是為局部圖像區(qū)域提供一個(gè)編碼，同時(shí)能夠保持對圖像中人體對象的姿勢和外觀的弱敏感性。
將圖像分成若干個(gè)“單元格cell”，例如每個(gè)cell為6*6個(gè)像素。假設(shè)我們采用9個(gè)bin的直方圖來統(tǒng)計(jì)這6*6個(gè)像素的梯度信息。也就是將cell的梯度方向360度分成9個(gè)方向塊。如圖所示：

例如：如果這個(gè)像素的梯度方向是20-40度，直方圖第2個(gè)bin的計(jì)數(shù)就加一，這樣，對cell內(nèi)每個(gè)像素用梯度方向在直方圖中進(jìn)行加權(quán)投影（映射到固定的角度范圍），就可以得到這個(gè)cell的梯度方向直方圖了，就是該cell對應(yīng)的9維特征向量（因?yàn)橛?個(gè)bin）。
像素梯度方向用到了，那么梯度大小呢？梯度大小就是作為投影的權(quán)值的。例如說：這個(gè)像素的梯度方向是20-40度，然后它的梯度大小是2（假設(shè)啊），那么直方圖第2個(gè)bin的計(jì)數(shù)就不是加一了，而是加二（假設(shè)啊）。

2.4?把細(xì)胞單元組合成大的塊（block），塊內(nèi)歸一化梯度直方圖

由于局部光照的變化以及前景-背景對比度的變化，使得梯度強(qiáng)度的變化范圍非常大。這就需要對梯度強(qiáng)度做歸一化。歸一化能夠進(jìn)一步地對光照、陰影和邊緣進(jìn)行壓縮。
作者采取的辦法是：把各個(gè)細(xì)胞單元組合成大的、空間上連通的區(qū)間（blocks）。這樣，一個(gè)block內(nèi)所有cell的特征向量串聯(lián)起來便得到該block的HOG特征。這些區(qū)間是互有重疊的，這就意味著：每一個(gè)單元格的特征會以不同的結(jié)果多次出現(xiàn)在最后的特征向量中。我們將歸一化之后的塊描述符（向量）就稱之為HOG描述符。

區(qū)間有兩個(gè)主要的幾何形狀——矩形區(qū)間（R-HOG）和環(huán)形區(qū)間（C-HOG）。R-HOG區(qū)間大體上是一些方形的格子，它可以有三個(gè)參數(shù)來表征：每個(gè)區(qū)間中細(xì)胞單元的數(shù)目、每個(gè)細(xì)胞單元中像素點(diǎn)的數(shù)目、每個(gè)細(xì)胞的直方圖通道數(shù)目。
例如：行人檢測的最佳參數(shù)設(shè)置是：3×3細(xì)胞/區(qū)間、6×6像素/細(xì)胞、9個(gè)直方圖通道。則一塊的特征數(shù)為：3*3*9；

2.5?收集HOG特征

最后一步就將檢測窗口中所有重疊的塊進(jìn)行HOG特征的收集，將它們結(jié)合成最終的特征向量供分類使用。

3.總結(jié)

那么一個(gè)圖像的HOG特征維數(shù)是多少呢？
順便做個(gè)總結(jié)：Dalal提出的Hog特征提取的過程：把樣本圖像分割為若干個(gè)像素的單元（cell），把梯度方向平均劃分為9個(gè)區(qū)間（bin），在每個(gè)單元里面對所有像素的梯度方向在各個(gè)方向區(qū)間進(jìn)行直方圖統(tǒng)計(jì)，得到一個(gè)9維的特征向量，每相鄰的4個(gè)單元構(gòu)成一個(gè)塊（block），把一個(gè)塊內(nèi)的特征向量聯(lián)起來得到36維的特征向量，用塊對樣本圖像進(jìn)行掃描，掃描步長為一個(gè)單元。最后將所有塊的特征串聯(lián)起來，就得到了人體的特征。例如，對于64*128的圖像而言，每16*16的像素組成一個(gè)cell，每2*2個(gè)cell組成一個(gè)塊，因?yàn)槊總€(gè)cell有9個(gè)特征，所以每個(gè)塊內(nèi)有4*9=36個(gè)特征，以8個(gè)像素為步長，那么，水平方向?qū)⒂?個(gè)掃描窗口，垂直方向?qū)⒂?5個(gè)掃描窗口。也就是說，64*128的圖片，總共有36*7*15=3780個(gè)特征。

總結(jié)

以上是生活随笔為你收集整理的HOG特征提取原理的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。