HOG 梯度方向直方图
来源:互联网 发布:linux rpm 安装目录 编辑:程序博客网 时间:2024/05/24 05:01
一、基本HOG算法
HOG特征最早出现在SIFT算法中,由于其极强的图像特征描述能力,逐渐被人们熟知和广泛运用,其在目标检测方面表现尤为突出。
HOG特征提取过程
步骤一:遍历图像每个像素点,以其为中心取8*8像素领域作为网格(block)区域;
步骤二:将网格(block)区域平均分成4个大小相等的细胞单元(cell),每个细胞单元的大小是4*4个像素;
步骤三:计算所有细胞单元(cell)中的每个像素的梯度幅值和梯度方向,梯度算子使用中心算子[1,0,-1];
其中,H(x,y)为每个像素水平方向的梯度大小,V(x,y)为垂直方向的梯度大小。o(x,y)为像素(x,y)的梯度 方向,m(x,y)为它的梯度幅值。
步骤四:将梯度方向限定在(0,180°)内,平均分成8个区间,用有符号的8个方向表示。根据下图中的椭圆圈的 高斯加权范围将单元(cell)上所有相同梯度方向的像素点的梯度幅值加权累加,组成该单元的8维梯度方向直方图。
步骤五:计算得到细胞单元(cell)的8维梯度方向直方图,将一个网格(block)区域中4个细胞单元(cell)的梯度直方图连接起来,得到一个网格(block)区域的4*8=32维的梯度直方图特征。连接所有网格(block)区域的直方图特征,并采用L2-norm归一化,最终得到HOG特征。 一副大小为128*128的图像,可以分成16*16=256个无重叠网格区域,其HOG特征向量的长度为256*32=8192。
二、空间多尺度HOG模型
- HoG 梯度方向直方图
- HOG方向梯度直方图
- HOG 梯度方向直方图
- HOG 梯度方向直方图
- HOG 梯度方向直方图
- HOG(方向梯度直方图)
- HOG(方向梯度直方图)
- HOG(方向梯度直方图)
- HOG(方向梯度直方图)
- HOG(方向梯度直方图)
- HOG(方向梯度直方图)
- HOG(方向梯度直方图)
- 方向梯度直方图(HOG)
- 方向梯度直方图(HOG)
- 梯度方向直方图(HOG)
- 再读HOG(梯度方向直方图)
- 方向梯度直方图-Hog算法介绍
- HOG方向梯度直方图matlab实现
- 《剑指offer》:[36]数组中的逆序对
- Ubuntu 安装jenkins
- SpringMVC中的注解驱动(九)
- 二维数组中的查找
- 二分类SVM方法Matlab实现
- HOG 梯度方向直方图
- Android 动画总结
- bug:ERROR org.apache.hadoop.hdfs.server.namenode.SecondaryNameNode: Exception in doCheckpoint
- 文件操作
- HOG参数简介及Hog特征维数的计算
- Root与Unlock Bootloader(解锁)
- 虚表剖析
- HOG特征(Histogram of Gradient)总结
- UML图详解(三)——类图