HOG概述

HOG(Histogram of Oriented Gradient)特征在對象檢測與模式匹配中是一種常見的特征提取算法，是基于本地像素塊進(jìn)行特征直方圖提取的一種算法，對象局部的變形與光照影響有很好的穩(wěn)定性，最初是用HOG特征來來識(shí)別人像，通過HOG特征提取+SVM訓(xùn)練，可以得到很好的效果，OpenCV已經(jīng)有了。HOG特征提取的大致流程如下：

詳細(xì)解讀

第一步：灰度化
對HOG特征提取來說第一步是對輸入的彩色圖像轉(zhuǎn)換為灰度圖像，圖像灰度化的方法有很多，不同灰度化方法之間有一些微小的差異，從彩色到灰度的圖像轉(zhuǎn)換可以表示如下：

第二步：計(jì)算圖像梯度
計(jì)算圖像的X方向梯度dx與Y方向梯度dy，根據(jù)梯度計(jì)算mag與角度，計(jì)算梯度時(shí)候可以先高斯模糊一下(可選步驟)，然后使用sobel或者其它一階導(dǎo)數(shù)算子計(jì)算梯度值dx、dy、mag、angle:

第三步：Cell分割與Block
對于圖像來說，分成8x8像素塊，每個(gè)塊稱為一個(gè)Cell，每個(gè)2x2大小的Cell稱為一個(gè)Block，每個(gè)Cell根據(jù)角度與權(quán)重建立直方圖，每20度為一個(gè)BIN，每個(gè)Cell得到9個(gè)值、每個(gè)Block得到36個(gè)值(4x9), 圖像如下：

每個(gè)Block為單位進(jìn)行L2數(shù)據(jù)歸一化，作用是抵消光照/遷移影響，L2的歸一化的公式如下：

第四步：生成描述子
對于窗口64x128范圍大小的像素塊，可以得到8x16個(gè)Cell， 使用Block在窗口移動(dòng)，得到輸出的向量總數(shù)為7x15x36=3780特征向量，每次Block移動(dòng)步長是八個(gè)像素單位，一個(gè)Cell大小。

使用HOG特征數(shù)據(jù)

HOG特征本身是不支持旋轉(zhuǎn)不變性與多尺度檢測的，但是通過構(gòu)建高斯金字塔實(shí)現(xiàn)多尺度的開窗檢測就會(huì)得到不同分辨率的多尺度檢測支持。OpenCV中HOG多尺度對象檢測API如下：

virtualvoidcv::detectMultiScale(
InputArrayimg,
std::vector&foundLocations,
doublehitThreshold=0,
SizewinStride=Size(),
Sizepadding=Size(),
doublescale=1.05,
doublefinalThreshold=2.0,
booluseMeanshiftGrouping=false
)
Img-表示輸入圖像
foundLocations-表示發(fā)現(xiàn)對象矩形框
hitThreshold-表示SVM距離度量，默認(rèn)0表示，表示特征與SVM分類超平面之間
winStride-表示窗口步長
padding-表示填充
scale-表示尺度空間
finalThreshold-最終閾值，默認(rèn)為2.0
useMeanshiftGrouping-不建議使用，速度太慢拉

使用OpenCV預(yù)訓(xùn)練SVM行人HOG特征分類器實(shí)現(xiàn)多尺度行人檢測的代碼如下：

importcv2ascv

if__name__=='__main__':
src=cv.imread("D:/images/pedestrian.png")
cv.imshow("input",src)
hog=cv.HOGDescriptor()
hog.setSVMDetector(cv.HOGDescriptor_getDefaultPeopleDetector())
#Detectpeopleintheimage
(rects,weights)=hog.detectMultiScale(src,
winStride=(4,4),
padding=(8,8),
scale=1.25,
useMeanshiftGrouping=False)
for(x,y,w,h)inrects:
cv.rectangle(src,(x,y),(x+w,y+h),(0,255,0),2)

cv.imshow("hog-detector",src)
cv.waitKey(0)
cv.destroyAllWindows()

原文標(biāo)題：HOG特征詳解與行人檢測

文章出處：【微信公眾號(hào)：OpenCV學(xué)堂】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。