图像特征提取方法

 HOG（Histogram of Oriented Gradient，方向梯度直方图）

简介

HOG通过统计计算图像局部区域的梯度方向直方图来构成特征，然后结合SVM分类器进行图像识别，行人检测。

主要思想

梯度的方向是标量场增长最快的方向，梯度的大小是这个最大的变化率。对图像来说，图像的梯度即像素值变化最快的方向，并且图像的边缘与梯度保持垂直。图像局部区域的特征能够被梯度或边缘的方向密度分布很好的描述

方法

首先用[-1,0,1]梯度算子对原图像做卷积运算，得到x方向（水平方向，以向右为正方向）的梯度分量；

然后用[1,0,-1]T梯度算子对原图像做卷积运算，得到y方向（竖直方向，以向上为正方向）的梯度分量；

再用以下公式计算该像素点的梯度大小和方向：

提取方向梯度直方图：

对于64*128的图像，每8*8的像素组成一个cell，每2*2个cell组成一个block，以8个像素为步长，则水平方向将有7个扫描窗口，垂直方向将有15个扫描窗口，一共可以扫描7*15次。

单独将其中一个8*8的cell拿出来，方向梯度的方向范围为2π，为了画直方图我们还需要选取合适的组距，这里组距选取2π/9，也就是最后的直方图组数为9。

把单个cell对应的方向直方图转换为单位向量，也就是按规定组距对对应方向梯度个数进行编码（8,10,6,12,4,5,8,6,14），得到单个cell的9个特征，每个block包含2*2个cell也就是2*2*9=36个特征，一个64*128大小的图像最后得到的特征数为36*7*15=3780个。

8*8像素的cell对应的方向梯度共有8*8=64个，将这64个方向梯度按直方图的参数设置进行画图，其中梯度的大小在统计数量中呈线性关系，比如梯度大小为2，则直方图对应增加2个单位

以上为HOG特征提取的主要内容，将一幅图像的梯度通过分解提取为计算机容易理解的特征向量。