HOG特征

HOG是Histogram of Oriented Gradient的简称,即是方向梯度直方图,于2005年由Dalal在研究行人检测的过程中提出来的。HOG是一种描述图像特征的描述算子。它的特征原理是利用对图像局部区域的梯度方向直方图的统计,根据统计的内容构成特征。HOG特征能够很好的勾勒物体的轮廓,对于物体的微小形变以及光照变化都具有很好的鲁棒性,非常适用于研究物体识别与分类等类问题。
2005年Dalal在对行人检测的研究中首次采用了HOG+SVM方法,取得了显著的效果。
提取图像的HOG特征过程主要包含了以下步骤:
(1)首先将图像灰度化处理,即将图像看作是一个x,y,z的H维图像;
(2)对输入的图像利用Gamma矫正法进行颜色空间的标准化,也就是归一化,这样做的主要目的是对图像的对比度进行很好的调节,降低由于图像局部区域存在的阴影或者光照的变化给结果带来影响,同时能够有效的对图像中的噪音干扰进行抑制;
(3)对图像上存在的每个像素的梯度大小和方向进行计算,这样做的目的是为了更好的捕获图像的轮廓信息,同时更好地对光照的干扰进一步弱化;
(4)划分被检测的图像为若干不重叠的连续的小块,这些小块称之为细胞单元。然后统计每个细胞单元不同梯度方向的带有梯度幅值的梯度直方图;
(5)将几个细胞单元进行组合,组成一个小块(比如3＊3细胞单元/块),将一个块內存在的所有细胞单元具有的特征描述算子进行串联,将得到这个小块的HOG特征描述算子;
(6)串联图像中所有小块的HOG特征描述算子,就可W得到该图像的HOG特征描述算子,成为最终可供分类使用的特征向量。
优点：
细胞单元是HOG特征操作的最小单元,由于是在图像局部方格单元上操作,所以它能在光照以及几何的形变下保持原有特征,具有很好的不变性,使这两种形变只在更大的空间领域上出现。