HOG特征描述算子-行人检测

简介与说明

今次学习主要与一种在深度学习的图像特征提取技术——方向梯度直方图，为HOG特征，曾发表于CVPR的会议上，对手工图像特征的 方面有非常重要作用。被广泛用于行人检测领域。

HOG特征HOG特征简介

HOG特征属于图像提取的局部特征。对图像局部的梯度幅值和方向进行投票统计。形成基于梯度特性的直方图，然后将局部特征拼接起来作为总特征。局部特征在这里指的是将图像划分为多个子块（Block), 每个Block内的特征进行联合以形成最终的特征。

HOG特征的原理

图像预处理

预处理包括灰度化和Gamma变换。

灰度处理是可选操作，因为灰度图像和彩色图像都可以用于计算梯度图。对于彩色图像，先对三通道颜色值分别计算梯度，然后取梯度值最大的那个作为该像素的梯度。

然后进行伽马矫正，调节图像对比度，减少光照对图像的影响（包括光照不均和局部阴影），使过曝或者欠曝的图像恢复正常，更接近人眼看到的图像。

伽马矫正公式：

$f(I)=I^{\gamma }$

$I$表示图像，$\gamma$表示幂指数。

如图，当$\gamma$取不同的值时对应的输入输出曲线( $\gamma =1$时输入输出保持一致) ：
1） 当$\gamma <1$时，输入图像的低灰度值区域动态范围变大，进而图像低灰度值区域对比度得以增强；在高灰度值区域，动态范围变小，进而图像高灰度值区域对比度得以降低。 最终，图像整体的灰度变亮。

2） 当$\gamma >1$时，输入图像的高灰度值区域动态范围变小，进而图像低灰度值区域对比度得以降低；在高灰度值区域，动态范围变大，进而图像高灰度值区域对比度得以增强。 最终，图像整体的灰度变暗。

计算图像梯度

为了得到梯度直方图，那么首先需要计算图像水平方向和垂直方向梯度。
一般使用特定的卷积核对图像滤波实现，可选用的卷积模板有：soble算子、Prewitt算子、Roberts模板等等。

一般采用soble算子，OpenCV也是如此，利用soble水平和垂直算子与输入图像卷积计算$dx$、$dy$：

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

进一步可以得到图像梯度的幅值：

在这里插入图片描述

为了简化计算，幅值也可以作如下近似：

在这里插入图片描述

角度为：

在这里插入图片描述

这里需要注意的是：梯度方向和图像边缘方向是互相正交的。

在这里插入图片描述

Block 归一化

图像被分成若干个8×8的cell，例如我们将图像resize至64x128的大小，那么这幅图像就被划分为8x16个8x8的cell单元，并为每个8×8的cell计算梯度直方图。当然，cell的划分也可以是其他值：16x16，8x16等，根据具体的场景确定。

在计算梯度直方图，让我们先了解一下为什么我们将图像分成若干个cell?

这是因为如果对一整张梯度图逐像素计算，其中的有效特征是非常稀疏的，不但运算量大，而且会受到一些噪声干扰。于是我们就使用局部特征描述符来表示一个更紧凑的特征，计算这种局部cell上的梯度直方图更具鲁棒性。

以8x8的cell为例，一个8x8的cell包含了8x8x2 = 128个值，因为每个像素包括梯度的大小和方向。

在HOG中，每个8x8的cell的梯度直方图本质是一个由9个数值组成的向量， 对应于0、20、40、60…160的梯度方向(角度)。那么原本cell中8x8x2 = 128个值就由长度为9的向量来表示，用这种梯度直方图的表示方法，大大降低了计算量，同时又对光照等环境变化更加地鲁棒。

获得HOG描述子

每一个16 * 16大小的block将会得到一个长度为36的特征向量，并进行归一化。 那会得到多少个特征向量呢？

例如，对于上图被划分8 * 16个cell ，每个block有2x2个cell的话，那么cell的个数为：(16-1)x(8-1)=105。即有7个水平block和15个竖直block。

每个block有36个值，整合所有block的特征值，最终获得由36 * 105=3780个特征值组成的特征描述符，而这个特征描述符是一个一维的向量，长度为3780。

获得HOG特征向量，就可以用来可视化和分类了。对于多维的HOG特征，SVM就可以排上用场了。

经验总结

HOG描述的是边缘结构特征，可以描述物体的结构信息
对光照影响不敏感
分块的处理可以使特征得到更为紧凑的表示
特征描述子获取过程复杂，维数较高，导致实时性差
遮挡问题很难处理
对噪声比较敏感
【1】https://github.com/datawhalechina/team-learning/blob/master/