郑州做网站便宜,写论文的好网站,网络推广外包代理,微信开放平台开发文档1. 引言 HOG#xff08;Histogram of Oriented Gradient#xff09;#xff0c;即方向梯度直方图。它通过计算和统计局部区域的梯度方向直方图来构成特征#xff0c;一般与SVM分类器结合用于目标的图像识别。由于人体姿势和外表的多变#xff0c;在图像中检测人体是一项具…1. 引言 HOGHistogram of Oriented Gradient即方向梯度直方图。它通过计算和统计局部区域的梯度方向直方图来构成特征一般与SVM分类器结合用于目标的图像识别。由于人体姿势和外表的多变在图像中检测人体是一项具有挑战性的工作要在不同的光照和背景下都能清晰的识别出人体首先需要的是一个强壮的特征集。而研究表明局部归一化的HOG特征描述子相比边缘方向直方图、形状上下文等在对人体的特征描述方面有更佳的表现。因此目前主流的人体识别采用的是HOGSVM。 2. HOG特征 利用HOG特征的方法基本观点是局部目标的外表和形状可以被局部梯度或边缘方向的分布很好的描述即便我们不知道对应的梯度和边缘的位置。而这就引出一个问题到底什么是梯度在梯度Gradient与梯度下降法Gradient descent这篇文章中对于梯度介绍的比较清楚。主要可以总结为梯度是一个向量即有方向有大小它的方向是最大方向导数的方向它的模为方向导数的最大值。通俗的讲梯度指的是函数在变量空间的某一点处的最大变化率及其方向。 在HOG特征提取中我们首先将图像分割成小的细胞单元cells将各个单元视为变量空间中的一点在每个细胞单元中计算其梯度方向直方图。考虑到对光照和阴影的不变性对所得到的直方图进行对比度归一化即将几个细胞单元组合成一个更大的块blocks并归一化块内的所有细胞单元。归一化后的块描述符即为HOG描述子而后将一幅图像中所有块的描述子组合起来就形成了最终的特征向量即HOG特征。然后就可以通过SVM分类器进行人体检测。 3. HOG特征提取 使用某一特征进行目标识别首先要对特征进行提取而后才能进行匹配。HOG特征的提取主要分为以下几步 1. 图像归一化 图像归一化或者说是标准化即标准化gamma和颜色空间Gamma/Colour Normalization。其主要目的是减少光照因素的影响同时可以抑制噪声的干扰。 Gamma压缩如下 其中gamma1在高灰度区域内动态范围变小图像对比度降低图像整体灰度值变大显得亮一些gamma1在低灰度值区域内动态范围变小图像对比度降低图像整体灰度值变小变得暗淡。 2. 计算像素点的梯度 对图像中的每一个像素点计算其水平和垂直方向的梯度及梯度方向值计算公式如下: 式中分别表示像素点(x,y)处的水平方向梯度、垂直方向梯度、像素值。 像素点处的梯度幅值和方向为 3. 分割细胞单元cells并构建直方图 在这一步将图像分割成8*8个像素的细胞单元(cells)采用若干个bin的直方图来统计这8*8像素的梯度信息加权投影 4. 细胞单元组合块(blocks)及归一化梯度直方图 由于局部光照的变化以及前景-背景对比度的变化使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。首先将多个临近的cells组合成块并求其梯度直方图向量需要注意的是块与块之间的细胞单元是共享的然后采用不同的方法进行归一化处理即将直方图向量中bin值的最大值限制为0.2以下然后再重新归一化一次归一化的方法主要有L2-norm、L1-norm、L1-sqrt和L2-Hys四种块的选取主要有两种 形状矩形和环形在此就不赘述了。用于行人检测的最佳参数设置是3×3细胞/区间、6×6像素/细胞、9个直方图通道。则一块的特征数为3*3*9 5. 组合形成HOG特征向量 最后一步就是将检测窗口中所有重叠的块进行HOG特征的收集并将它们结合成最终的特征向量供分类使用。 总结的流程图如下 4. 总结 以上即为HOG特征提取的原理及流程事实上在Open Cv中包含已经训练好的分类模型足以实现一些基本的识别要求。至于HOG与SVM的结合这里有一个行人数据集INRIA Person dataset可用于SVM的训练具体的SVM训练及识别方法以后有机会再更。转载于:https://www.cnblogs.com/ethanda/p/10325101.html
