圖像識別之圖像特征提取

HOG特征：

方向梯度直方圖(Histogram of Oriented Gradient, HOG)特征是一種在計算機視覺和圖像處置中用來停止物體檢測的特征描繪子。它經(jīng)過計算和統(tǒng)計圖像部分區(qū)域的梯度方向直方圖來構(gòu)成特征。Hog特征分離SVM分類器曾經(jīng)被普遍應(yīng)用于圖像辨認(rèn)中，特別在行人檢測中取得了極大的勝利。需求提示的是，HOG+SVM停止行人檢測的辦法是法國研討人員Dalal在2005的CVPR上提出的，而往常固然有很多行人檢測算法不時提出，但根本都是以HOG+SVM的思緒為主。

(1)主要思想：

在一副圖像中，部分目的的表象和外形(appearance and shape)可以被梯度或邊緣的方向密度散布很好地描繪。(實質(zhì)：梯度的統(tǒng)計信息，而梯度主要存在于邊緣的中央)。

(2)詳細(xì)的完成辦法是：

首先將圖像分紅小的連通區(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能夠構(gòu)成特征描繪器。

(3)進步性能：

把這些部分直方圖在圖像的更大的范圍內(nèi)(我們把它叫區(qū)間或block)停止比照度歸一化(contrast-normalized)，所采用的辦法是：先計算各直方圖在這個區(qū)間(block)中的密度，然后依據(jù)這個密度對區(qū)間中的各個細(xì)胞單元做歸一化。經(jīng)過這個歸一化后，能對光照變化和陰影取得更好的效果。

(4)優(yōu)點：

與其他的特征描繪辦法相比，HOG有很多優(yōu)點。首先，由于HOG是 在圖像的部分方格單元上操作，所以它對圖像幾何的和光學(xué)的形變都能堅持很好的不變性，這兩種形變只會呈現(xiàn)在更大的空間范疇上。其次，在粗的空域抽樣、精密 的方向抽樣以及較強的部分光學(xué)歸一化等條件下，只需行人大致上可以堅持直立的姿態(tài)，能夠允許行人有一些細(xì)微的肢體動作，這些細(xì)微的動作能夠被疏忽而不影響 檢測效果。因而HOG特征是特別合適于做圖像中的人體檢測的。

2、HOG特征提取算法的完成過程：

大約過程：

HOG特征提取辦法就是將一個image(你要檢測的目的或者掃描窗口)：

1)灰度化(將圖像看做一個x,y,z(灰度)的三維圖像)；

2)采用Gamma校正法對輸入圖像停止顏色空間的規(guī)范化(歸一化)；目的是調(diào)理圖像的比照度，降低圖像部分的陰影和光照變化所形成的影響，同時能夠抑止噪音的干擾；

3)計算圖像每個像素的梯度(包括大小和方向)；主要是為了捕獲輪廓信息，同時進一步弱化光照的干擾。

4)將圖像劃分紅小cells(例如6*6像素/cell)；

5)統(tǒng)計每個cell的梯度直方圖(不同梯度的個數(shù))，即可構(gòu)成每個cell的descriptor；

6)將每幾個cell組成一個block(例如3*3個cell/block)，一個block內(nèi)一切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)的一切block的HOG特征descriptor串聯(lián)起來就能夠得到該image(你要檢測的目的)的HOG特征descriptor了。這個就是最終的可供分類運用的特征向量了

總結(jié)

以上是生活随笔為你收集整理的html图像特征提取,图像识别之图像特征提取的全部內(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，歡迎將生活随笔推薦給好友。