目标检测的图像特征提取之(一)Hog特征提取
来源:互联网 发布:优云宝源码 编辑:程序博客网 时间:2024/04/26 05:44
Hog特征实质是:梯度的统计信息,即针对边缘作特征提取
意义:目标的表象和形状
转载于zouxy09大神的文章,加上自己些微的理解和应用!
http://blog.csdn.net/zouxy09/article/details/7929348/
上述基本讲清楚了,其实重点在于如下:
大概过程:
HOG特征提取方法就是将一个image(你要检测的目标或者扫描窗口):
1)灰度化(将图像看做一个x,y,z(灰度)的三维图像);
2)采用Gamma校正法对输入图像进行颜色空间的标准化(归一化);目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰;
3)计算图像每个像素的梯度(包括大小和方向);主要是为了捕获轮廓信息,同时进一步弱化光照的干扰。
4)将图像划分成小cells(例如6*6像素/cell);
5)统计每个cell的梯度直方图(不同梯度的个数),即可形成每个cell的descriptor;
6)将每几个cell组成一个block(例如3*3个cell/block),一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。
7)将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image(你要检测的目标)的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。
其中用Opencv实现需要注意:
HOGDescriptor *hog = new HOGDescriptor(cvSize(64, 48), cvSize(32, 32), cvSize(8, 8), cvSize(16, 16), 9);
cvSize(64, 48)
:滑动窗口大小(不明白为什么设为图像的大小)cvSize(32, 32)
:block大小cvSize(8, 8)
:block的移动步长cvSize(16, 16)
:cell大小9
:bins个数
前四个参数的单位都是像素。
一个重要的公式是: (window_size - block_size)/block_stride + 1
上述公式说明一个样本图像的block数量的计算方法,
而一个样本图像的特征数量的计算方法为
特征数量= bins * 每个block的cell数量 * block数量
- 目标检测的图像特征提取之(一)Hog特征提取
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 【原理】目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- 目标检测的图像特征提取之(一)HOG特征
- require.js的用法:
- 运算符&和&&以及|和||区别比较
- json数据解析_json-lib.jar
- SSO单点登录三种情况的实现方式详解
- 面向对象的六大原则
- 目标检测的图像特征提取之(一)Hog特征提取
- 快速排序详解
- 配置nginx支持php
- 剑指offer 19---二叉树的镜像
- Python中re(正则表达式)模块函数学习
- Windows系统配置TensorFlow教程
- Javascript实现CheckBox的全选与取消全选的代码
- 按位运算
- app内嵌H5页面与其他app的交互