轉(zhuǎn)載

https://blog.csdn.net/liulina603/article/details/8291093

1、HOG特征：

?????? 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(cè)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(shí)別中，尤其在行人檢測(cè)中獲得了極大的成功。需要提醒的是，HOG+SVM進(jìn)行行人檢測(cè)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(cè)算法不斷提出，但基本都是以HOG+SVM的思路為主。

（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）。

（2）具體的實(shí)現(xiàn)方法是：

?????? 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。

（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(duì)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(duì)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(duì)光照變化和陰影獲得更好的效果。

（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(duì)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(huì)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(shì)，可以容許行人有一些細(xì)微的肢體動(dòng)作，這些細(xì)微的動(dòng)作可以被忽略而不影響檢測(cè)效果。因此HOG特征是特別適合于做圖像中的人體檢測(cè)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(cè)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(duì)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(duì)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(cè)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：

（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）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(duì)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(duì)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。

?

（3）為每個(gè)細(xì)胞單元構(gòu)建梯度方向直方圖

????????第三步的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(duì)圖像中人體對(duì)象的姿勢(shì)和外觀的弱敏感性。

我們將圖像分成若干個(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(duì)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(duì)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）。

???????? 細(xì)胞單元可以是矩形的（rectangular），也可以是星形的（radial）。

?

（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(duì)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(duì)梯度強(qiáng)度做歸一化。歸一化能夠進(jìn)一步地對(duì)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(huì)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(cè)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（block）的特征數(shù)為：3*3*9；

?

（5）收集HOG特征

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

????

（6）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(duì)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(duì)樣本圖像進(jìn)行掃描，掃描步長(zhǎng)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(duì)于64*128的圖像而言，每8*8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(zhǎng)，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。

HOG維數(shù)，16×16像素組成的block，8x8像素的cell

?

注釋：

行人檢測(cè)HOG+SVM

總體思路：
1、提取正負(fù)樣本hog特征
2、投入svm分類器訓(xùn)練，得到model
3、由model生成檢測(cè)子
4、利用檢測(cè)子檢測(cè)負(fù)樣本，得到hardexample
5、提取hardexample的hog特征并結(jié)合第一步中的特征一起投入訓(xùn)練，得到最終檢測(cè)子。

深入研究hog算法原理：
一、hog概述

Histograms of Oriented Gradients,顧名思義，方向梯度直方圖，是目標(biāo)的一種描述的方式，既是描述子。

二、hog提出
hog是05年一位nb的博士提出來的，論文鏈接?http://wenku.baidu.com/view/676f2351f01dc281e53af0b2.html

三、算法理解
??????? 終于到10月了，終于可以松一口氣了，整理一下hog的算法流程。

首先要有一個(gè)整體的認(rèn)識(shí)，每一個(gè)目標(biāo)都對(duì)應(yīng)一個(gè)一維特征向量，這個(gè)向量一共有n維，這個(gè)n不是憑空瞎猜的，是有理有據(jù)，打個(gè)比方，為什么opencv自帶的hog檢測(cè)子是3781維的？這個(gè)問題在初期確實(shí)比較頭疼，糾結(jié)了好長(zhǎng)的時(shí)間，不過別著急，

我們先來看一下opencv里的HOGDescriptor這個(gè)結(jié)構(gòu)的構(gòu)造函數(shù)HOGDescriptor（Size?winSize,Size blocksize,Size blockStride,Size cellSize,...(后面的參數(shù)在這里用不到)），去查一下opencv默認(rèn)的參數(shù)我們可以看到，winSize（64,128），blockSize（16,16），blockStride（8,8），cellSize（8,8），很顯然hog是將一個(gè)特征窗口win劃分為很多的塊block，在每一個(gè)塊里又劃分為很多的細(xì)胞單元cell(即胞元)，hog特征向量既是把這些所有的cell對(duì)應(yīng)的小特征串起來得到一個(gè)高維的特征向量，那么這個(gè)窗口對(duì)應(yīng)的一維特征向量維數(shù)n就等于：

窗口中的塊數(shù) x 塊中的胞元數(shù)?x 每一個(gè)胞元對(duì)應(yīng)的特征向量數(shù)。

寫到這里，我們計(jì)算一下3781如何得到的，窗口大小64x128，塊大小16x16，塊步長(zhǎng)8x8，那么窗口中塊的數(shù)目是(（64-16）/8+1)*((128-16)/8+1) = 7*15 =105個(gè)塊，塊大小為16x16,胞元大小為8x8，那么一個(gè)塊中的胞元cell數(shù)目是 (16/8)*(16/8) =4個(gè)胞元，到這里我們可以看到要求最后需要的維數(shù)n，只需要計(jì)算每一個(gè)胞元對(duì)應(yīng)的向量，這個(gè)參數(shù)在哪呢？別急，我們把每一個(gè)胞元投影到9個(gè)bin（如何投影？這里卡了很長(zhǎng)一段時(shí)間，后面會(huì)說），那么每一個(gè)胞元對(duì)應(yīng)的向量就是9維，每個(gè)bin對(duì)應(yīng)該9維向量的一個(gè)數(shù)，現(xiàn)在看一下是不是計(jì)算窗口維數(shù)的三個(gè)需求量都知道了，n =?窗口中的塊數(shù) x 塊中的胞元數(shù) ?x 每一個(gè)胞元對(duì)應(yīng)的特征向量數(shù),帶入看一下n= 105x4x9 = 3780,這就是這個(gè)窗口對(duì)應(yīng)的特征了。有人會(huì)說，為什么opencv里的getDefaultPeopleDetector()得到的是3781維呢？這是因?yàn)榱硗庖痪S是一維偏移，（很崩潰是吧，我也崩潰很久。。。，下一段解釋）。

我們利用hog+svm檢測(cè)行人，最終的檢測(cè)方法是最基本的線性判別函數(shù)，wx + b = 0，剛才所求的3780維向量其實(shí)就是w，而加了一維的b就形成了opencv默認(rèn)的3781維檢測(cè)算子，而檢測(cè)分為train和test兩部分，在train期間我們需要提取一些列訓(xùn)練樣本的hog特征使用svm訓(xùn)練最終的目的是為了得到我們檢測(cè)的w以及b，在test期間提取待檢測(cè)目標(biāo)的hog特征x，帶入方程是不是就能進(jìn)行判別了呢？

**************************************************************************************************

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?華麗的分割線

寫到這里，至少對(duì)hog的運(yùn)作流程有了一個(gè)大概的認(rèn)識(shí)，在網(wǎng)上能看到很多的hog計(jì)算方法，神馬歸一化，計(jì)算梯度，對(duì)每個(gè)胞元進(jìn)行投影，千篇一律，對(duì)剛開始接觸的人來說，看完好像懂了，但就是不知道怎么用，hog和svm如何配合，而且那些東西對(duì)我們的初期的學(xué)期完全沒用，好處就是會(huì)用hog了，再回過頭去看原理，才有收獲，那些資料網(wǎng)上一堆，這里就不畫蛇添足了。

另外值得一提的是在計(jì)算胞元特征的時(shí)候，需要向各個(gè)bin投影，這個(gè)投影里面大有文章，師兄畢業(yè)論文里就提到了，取名叫‘三維一次線性插值’，如果想深入了解hog的可以仔細(xì)琢磨去。

**************************************************************************************************

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?繼續(xù)華麗的分割

下面說一下libsvm和CvSVM的使用，我覺得libsvm更好用，不過cvsvm也是基于libsvm2.6(沒記錯(cuò)的話)改寫的，這兩個(gè)的區(qū)別就是libsvm訓(xùn)練得到的是一個(gè)model，而cvsvm是xml文件，在計(jì)算最后的wx+b=0中的w向量的時(shí)候，對(duì)于libsvm直接處理model文件即可，但是對(duì)于cvsvm則可以跳過產(chǎn)生xml文件，直接使用cvsvm的對(duì)象中的屬性即可（這里說的有點(diǎn)模糊，二者選一個(gè)即可，關(guān)系倒不是很大）

歡迎大家批評(píng)指正、交流學(xué)習(xí)

?

總結(jié)

以上是生活随笔為你收集整理的HOG(Histogram of Oriented gradients) feature extraction的全部?jī)?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。