简介
HOG（Histogram of Oriented Gridients的简写）特征检测算法，最早是由法国研究员Dalal等在CVPR-2005上提出来的，一种解决人体目标检测的图像描述子，是一种用于表征图像局部梯度方向和梯度强度分布特性的描述符。其主要思想是：在边缘具体位置未知的情况下，边缘方向的分布也可以很好的表示行人目标的外形轮廓。
Dalal等提出的HOG+SVM算法，在进行行人检测取得了极大地成功后，更多新算法不断涌现，不过大都是以HOG+SVM的思路为主线。
HOG特征算法
HOG特征检测算法的几个步骤：颜色空间归一化—>梯度计算—>梯度方向直方图—>重叠块直方图归一化—>HOG特征。下面分别对其进行介绍。
1、颜色空间归一化
由于图像的采集环境、装置等因素，采集到的人脸图像效果可能不是很好，容易出现误检或漏检的情况，所以需要对采集到的人脸进行图像预处理，主要是处理光线太暗或太强的情况，这里有两次处理：图像灰度化、Gamma校正。
①图像灰度化
对于彩色图像，将RGB分量转化成灰度图像，其转化公式为：
②Gamma校正
在图像照度不均匀的情况下，可以通过Gamma校正，将图像整体亮度提高或降低。在实际中可以采用两种不同的方式进行Gamma标准化，平方根、对数法。这里我们采用平方根的办法，公式如下（其中γ=0.5）：
代码：
int main() { Mat picture = imread("test.jpg", 0);//灰度 Mat img; picture.convertTo(img, CV_32F); //转换成浮点 sqrt(img, img); //gamma校正 normalize(img, img, 0, 255, NORM_MINMAX, CV_8UC1);//归一化像素值[0,255] imshow("原图", picture); imshow("Gamma校正", img); waitKey(); return 0; }结果：
2、梯度计算
对经过颜色空间归一化后的图像，求取其梯度及梯度方向。分别在水平和垂直方向进行计算，梯度算子为：
代码：
/* Copyright (c) 2015 Jingshuang Hu @filename:demo.cpp @datetime:2015.08.06 @author:HJS @e-mail: @blog:http://blog.csdn.net/hujingshuang */ #include
#include
#include
#include
#include
using namespace cv; using namespace std; int main() { Mat picture = imread("test.jpg", 0);//灰度 Mat img; picture.convertTo(img, CV_32F); //转换成浮点 sqrt(img, img); //gamma校正 normalize(img, img, 0, 255, NORM_MINMAX, CV_32F);//归一化[0,255]浮点数 Mat gradient = Mat::zeros(img.rows, img.cols, CV_32F);//梯度 Mat theta = Mat::zeros(img.rows, img.cols, CV_32F);//角度 for (int i = 1; i < img.rows - 1; i++) { for (int j = 1; j < img.cols - 1; j++) { float Gx, Gy; Gx = img.at
(i, j + 1) - img.at
(i, j - 1); Gy = img.at
(i + 1, j) - img.at
(i - 1, j); gradient.at
(i, j) = sqrt(Gx * Gx + Gy * Gy);//梯度模值 theta.at
(i, j) = float(atan2(Gy, Gx) * 180 / CV_PI);//梯度方向[-180°，180°] } } normalize(gradient, gradient, 0, 255, NORM_MINMAX, CV_8UC1);//归一化[0,255] 无符号整型 normalize(img, img, 0, 255, NORM_MINMAX, CV_8UC1); imshow("原图", picture); imshow("Gamma校正", img); imshow("梯度图", gradient); waitKey(); return 0; }
结果：
3、梯度方向直方图
将图像划分成若干个cells（单元），8×8=64个像素为一个cell，相邻的cell之间不重叠。在每个cell内统计梯度方向直方图，将所有梯度方向划分为9个bin（即9维特征向量），作为直方图的横轴，角度范围所对应的梯度值累加值作为直方图纵轴，每个bin的角度范围如下。
4、重叠块直方图归一化
【以下有关计算，请认真分析】假设有一幅图像大小为220×310，将其划分成若干个8×8的cells，显然220÷8=27.5、310÷8=38.75不是整数，也就是说划分之后依然还有多余像素不能构成cell。处理办法是将图像缩放成能被8整除的长宽（如216×304），再划分。216÷8=27，304÷8=38，因此，216×304的图像可以得到27×38个cells，没有重叠。
Mat picture = imread("test.jpg", 0);//灰度 resize(picture, picture, cvSize(int(picture.cols / 8) * 8, int(picture.rows / 8) * 8));//转化成能被8除尽的行、列由于图像中光照情况和背景的变化多样，梯度值的变化范围会比较大，因而良好的特征标准化对于检测率的提高相当重要。标准化的方法多种多样，大多数的都是将celll放在block中，然后标准化每个block。
以上述缩放后的图像为例，共得到27×38个cell，也就是将图像划分成了27×38个单元；将上下左右相邻的2×2个cells当做一个block整体，如下所示（为方便观察，每个颜色框故意错开了一点），黑色的8×8像素为一个cell，红、蓝、黄、粉红、绿框都是一个block，即每个框内2×2的cell组成一个block。故27×38个cell可划分成26×37个block，每个block为16×16像素。相邻block之间是有重叠的，这样有效的利用了相邻像素信息，对检测结果有很大的帮助。
接下分别对每个block进行标准化，一个block内有4个cell，每个cell含9维特征向量，故每个block就由4×9=36维特征向量来表征。
由于L2-norm简单且在检测中效果相对较好，故一般采用它。
经过上述对有重叠部分block的直方图归一化之后，将所有block的特征向量都组合起来，则形成26x37x36=34632维特征向量，这就是HOG特征，这个特征向量就可以用来表征整个图像了。
实际上，在运用的时候，我们通常是选取一幅图像中的一个窗口来进行特征提取，依然以上述220X310大小图像为例，经过缩放处理后为216×304，但并不直接提取整个图像的HOG特征，而是用一个固定大小的窗口在图像上滑动，滑动的间隔为8个像素，opencv中默认的窗口大小为128×64（高128，宽64），即有(128÷8)x(64÷8)=16×8个cell，也即有15×7个block，这样一来一幅图像就可以取到(27-16)x(38-8)=11×30=330(27-15)x(38-7)=12×31=372个窗口（更正于：2018-04-15）。现在提取每个窗口的HOG特征，则可得到105×36=3780维HOG特征向量。
将这330个3780维的HOG特征当做测试样本，用支持向量机（SVM）分类器来判别出，这些窗口的HOG特征是否有行人，有行人的用矩形框标记起来。HOG行人特征及所对应的SVM分类器的参数，在opencv中已经训练好了，我们只需要得到HOG特征，然后调用SVM即可得到判别结果。
以上是个人对HOG算法的理解，若理解不到位或者有误的，请多多指教！
代码：
/* Copyright (c) 2015 Jingshuang Hu @filename:demo.cpp @datetime:2015.08.06 @author:HJS @e-mail: @blog:http://blog.csdn.net/hujingshuang */ #include
#include
using namespace cv; using namespace std; int main() { Mat image = imread("test.jpg"); // 1. 定义HOG对象 HOGDescriptor hog(Size(64,128),Size(16,16),Size(8,8),Size(8,8),9);//HOG检测器，用来计算HOG描述子的 // 2. 设置SVM分类器 hog.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector()); // 采用已经训练好的行人检测分类器 // 3. 在测试图像上检测行人区域 vector
regions; hog.detectMultiScale(image, regions, 0, Size(8,8), Size(32,32), 1.05, 1); // 显示 for (size_t i = 0; i < regions.size(); i++) { rectangle(image, regions[i], Scalar(0,0,255), 2); } imshow("HOG行人检测", image); waitKey(); return 0; }
结果：
从图中可以看出，依然是有漏检的情况。
源码分析：
1、opencv源码解析之(6)：hog源码分析
2、目标检测学习_1(用opencv自带hog实现行人检测)
3、HOG：从理论到OpenCV实践
4、opencv之HOG源代码注释
5、opencv之HOG源代码分析
参考资料：
1、维基百科：Histogram of oriented gradients
2、原论文：Histograms of Oriented Gradients for Human Detection
3、基于多特征的粒子滤波行人跟踪算法研究[M],张广西,2013.
4、基于HOG特征的人脸识别系统研究[M],穆春雷,2013.
5、基于HOG特征的目标识别算法研究[M],尚俊,2012.
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/201909.html原文链接：https://javaforall.net
