???? ? HOG特征：方向梯度直方圖（Histogram of Oriented Gradient,）特征是一種全局圖像特征描述子。

???? ? 它通過計算和統計圖像局部區域的梯度方向直方圖來構成特征。Hog特征結合SVM分類器已經被廣泛應用于圖像識別中，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。

? ? ?? 參考原文：目標檢測之特征提取之—HOG特征? 如有疑義，請拜訪原文。

? ? ? ? RGB的DPM檢測特征和其級聯方法是最后一個有效的傳統的目標檢測方法，翻譯見DPM原理詳解，此后，如有疑義，請拜訪原文，作者的主頁面：http://www.rossgirshick.info/。

? ? ? ? DPM方法獲得cvpr2018的PAMI Longuet-Higgins Prize。CVPR2018；

• PAMI Longuet-Higgins Prize (Retrospective Best Paper from CVPR 2008)

  "A Discriminatively Trained, Multiscale, Deformable Part Model" by Pedro Felzenszwalb, David McAllester, and Deva Ramanan

?????? DPM項目主頁：Object Detection with Discriminatively Trained Part Based Models?? ???

?????? See also, CACM Research Highlight:

?????? Visual Object Detection with Deformable Part Models
?????? P. Felzenszwalb, R. Girshick, D. McAllester, D. Ramanan?? Communications of the ACM, no. 9 (2013): 97-105

?

一、HOG+SVM模型

1、HOG描述子的計算過程

??????????????

輸入圖像image：

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校正法對輸入圖像進行顏色空間的標準化（歸一化）；目的是調節圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時可以抑制噪音的干擾；

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）將圖像劃分成小cells（例如6*6像素/cell）；

5）統計每個cell的梯度直方圖（不同梯度的個數），即可形成每個cell的descriptor； 原始HOG特征劃分為9個直方圖區間。

????? 意義：計算梯度直方圖，可以降低光線明暗變化帶來的影響，保持良好的光照不變性和特定的旋轉不變性。

6）將每幾個cell組成一個block（例如3*3個cell/block），一個block內所有cell的特征descriptor串聯起來便得到該block的HOG特征descriptor。（此處cell和block，每個block可以多個cell，相鄰cell之間產生特定像素的重疊，可以有效的抵擋偏移影響。行人檢測的最佳參數設置是：3×3細胞/區間、6×6像素/細胞、9個直方圖通道。則一塊的特征數為：3*3*9）
????? 意義：覆蓋劃分區域用于降低圖像塊偏移帶來的影響；并同時保持特定區域相關性。

7）將圖像image內的所有block的HOG特征descriptor串聯起來就可以得到該image（你要檢測的目標）的HOG特征descriptor了。這個就是最終的可供分類使用的特征向量了。?

?

????????

?????? 以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。

2、HOG特征的全局性質

????? HOG特征并非固定長度約束的特征描述子。向量的維數和圖像大小和Cell大小有關。每一個Cell里面統計梯度直方圖，形成每個Cell的梯度特征。其中每個Cell里面提取的特征可以使用其他塊特征取代。

2.1. HOG優點：

???????? 與其他的特征描述方法相比，HOG有很多優點。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的形變都能保持很好的不變性，這兩種形變只會出現在更大的空間領域上。其次，在粗的空域抽樣、精細的方向抽樣以及較強的局部光學歸一化等條件下，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微的肢體動作，這些細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。

???????? 全局變形性，局部不變形，在區分行人特征和左右眼特征時具有天然的優勢。當然，HOG思想是一個算法族，Cell和Block思想是主要思想，重疊度直方圖分區塊大小可以根據實際情況進行調參，在一定的數據集上，力求達到最佳效果。

3、使用OpenCV進行HOG特征計算

OpenCV的ObjectDetect模塊包含了HOG計算的源代碼，使用例程如下

bool CEyeClassify::GetHogFeature(const cv::Mat& imggray, std::vector<float>& vecFeature) {const int cnSizeW = CEyeClassify::m_PatchWidth;const int cnSizeH = CEyeClassify::m_PatchHeight;{cv::Mat imggray1;resize(imggray, imggray1, cv::Size(cnSizeW, cnSizeH), 0, 0, CV_INTER_LINEAR);cv::HOGDescriptor hog(imggray1.size(), cv::Size(16, 16), cv::Size(8, 8), cv::Size(8, 8), 9); // 48x32 540hog.compute(imggray1, vecFeature);}return true; }

?

二、DPM+LatentSVM模型

???? DPM（Deformable Part Model），正如其名稱所述，可變形的組件模型，是一種基于組件的檢測算法，其所見即其意。該模型由大神Felzenszwalb在2008年提出，并發表了一系列的cvpr，NIPS。并且還拿下了2010年，PASCAL VOC的“終身成就獎”。

1、DPM描述子的計算過程

輸入圖像image

?

2、DPM描述子的檢測過程

輸入圖像image

??????????

?

3、Latent SVM模型

輸入圖像image

????????

?

參考資料：

1.HOG維基百科:https://en.wikipedia.org/wiki/Histogram_of_oriented_gradients

2.圖像檢測法三大法寶：HOG,LBP,HAAR特征。

?

總結

以上是生活随笔為你收集整理的图像的全局特征--HOG特征、DPM特征的全部內容，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。