Hog特征提取原理过程细节

 Hog

步骤：

• 图像预处理
• 梯度图
• 归一化
• SVM

一图读懂Hog

 读不懂那就一点一点看吧------------------------------------

1、图像预处理:包括伽马校正或灰度化

2、计算每一个像素点的梯度值，得到梯度图（规模和原图大小一样）

其中：

• 水平梯度 gx =30-20=10
• 竖直梯度 gy=64-32=32

到此，梯度图以计算完成

梯度方向的范围是0-180度。取绝对值的原因是这样效果更好

首先，我将0-180度分成9个bins，分别是0，20，40...160。然后统计每一个像素点所在的bin。请看下图：

左上图是8*8的梯度方向值，右上图是8*8的梯度强度值，下图是9个bins。

先看两个蓝色圈圈。因为蓝圈的方向是80度，大小是2，所以该点就投给80这个bin；

再看两个红色圈圈。因为红色圈圈的方向是10，大小是4，因为10距离0点为10，距离20点为也为10，那么有一半的大小是投给0这个bin，还有一半的大小（即是2）投给20这个bin。

那么统计完64个点的投票数以后，每个bin就会得到一个数值，可以得到一个直方图，在计算机里面就是一个大小为9的数组。

 3、对16*16大小的block归一化

归一化的目的是降低光照的影响。

上面取的8*8就是所谓的cell,以及求出的9bins就是cell的一维特征向量

对于图像中

检测窗口的尺寸为64×64，假设给出块的尺寸为16×16，块步长为(8,8)，

经过计算：检测窗口中共滑动7×7=49个block。在一个块中选择细胞单元不再滑动，给出细胞单元的尺寸为(8,8)，所以一个块中一共有2×2=4个cell。

每一个block将按照上图滑动的方式进行重复计算，直到整个图像的block都计算完成。