HOG特征检测算法——原理详解
HOG特征检测算法
原文出处：
N. Dalal, and B. Triggs, Histograms of oriented gradients for human detection, Computer Vision and Pattern Recognition, CVPR 2005, Google Citations: 21911
目的：
最近在学习黄老师的视频处理与分析，其中一节讲到了HOG特征检测算法，该算法是一个非常经典的算法，在这儿将上课学到的知识以及课下查询的知识做一个简单的整理。
HOG算法的流程：
-
正则化与伽马校正
首先判断输入的图像是否为灰度图像，如果不是灰度图像，需要进行图像的转化，具体的公式为：
将转化后的图像进行gama校正与压缩，目的是要改善图像的灰度。在图像照度不均匀的情况下，可以通过Gamma校正，将图像整体亮度提高或降低。如果实验结果没有提升，这一步可以省略。
- 计算梯度
也可以用算子进行卷积运算。
-
统计梯度直方图
目的是为局部图像区域提供一个编码，同时能够保持对图像中人体对象的姿势和外观的弱敏感性。
- block的计算
这里假设图像为128 * 64像素，选择8 * 8为一个cell，2 * 2个cell为一个block，那么计算当前有多少个block会有一个固定的公式为：
[（128-8x2）/8+1]x[(64-8x2)/8+1]由计算公式可以看出块的移动步长为1，块是有重叠的，而不是并行排列的。
- cell
将图像划分成若干个cells（单元），8x8=64个像素为一个cell，相邻的cell之间不重叠。在每个cell内统计梯度方向直方图，将所有梯度方向划分为9个bin（即9维特征向量），作为直方图的横轴，角度范围所对应的梯度值累加值作为直方图纵轴，每个bin的角度范围如下。一般来说，不加改进的HOG算法一般是不考虑正反方向的，那么故可以理解上图。
如上图所示：例如：如果这个像素的梯度方向是20-40度，直方图第2个bin的计数就加一，这样，对cell内每个像素用梯度方向在直方图中进行加权投影（映射到固定的角度范围），就可以得到这个cell的梯度方向直方图了，就是该cell对应的9维特征向量（因为有9个bin）。
像素梯度方向用到了，那么梯度大小呢？梯度大小就是作为投影的权值的。例如说：这个像素的梯度方向是20-40度，然后它的梯度大小是2（假设啊），那么直方图第2个bin的计数就不是加一了，而是加二（假设啊）。
如果恰巧落在了边缘上可以设定一种规则即可。
局部特征的采样区域尝试了矩形和圆形两种方式，圆形局部特
征区域的采样方式基于这样一个事实- 即灵长类视觉神经细胞
感受野的形状为圆形，但实验结果并没有体现出更好的效果，
矩形由于计算的方便性，而成为一般的局部采样方式。
-
直方图归一化处理：
由于光照、对比度的局部差异，梯度强度在图像上的分布不均匀，因此需要进行归一化，以平衡整个检测窗口内的不同块的直方图分布。
必须要注意的一点是局部归一化全局归一化不起作用。
- 用分类器进行训练
HOG算法的缺点：
HOG算法采用了太多的参数，参数选择是一个很重要的工作。
HOG算法只能刻画形状信息，受噪声干扰很大。