没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
试读
64页
方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功。需要提醒的是,HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的,而如今虽然有很多行人检测算法不断提出,但基本都是以HOG+SVM的思路为主。 本文提供详细讲述和完整算法代码
资源推荐
资源详情
资源评论
(一)HOG 特征
1、HOG 特征:
方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在
计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计
图像局部区域的梯度方向直方图来构成特征。Hog 特征结合 SVM 分类器已经
被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功。需要提醒的
是,HOG+SVM 进行行人检测的方法是法国研究人员 Dalal 在 2005 的 CVPR
上提出的,而如今虽然有很多行人检测算法不断提出,但基本都是以
HOG+SVM 的思路为主。
(1)主要思想:
在一副图像中,局部目标的表象和形状(appearance and shape)能够被梯
度或边缘的方向密度分布很好地描述。(本质:梯度的统计信息,而梯度主要
存在于边缘的地方)。
(2)具体的实现方法是:
首先将图像分成小的连通区域,我们把它叫细胞单元。然后采集细胞单元中各
像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成
特征描述器。
(3)提高性能:
把这些局部直方图在图像的更大的范围内(我们把它叫区间或 block)进行对
比度归一化(contrast-normalized),所采用的方法是:先计算各直方图在
这个区间(block)中的密度,然后根据这个密度对区间中的各个细胞单元做
归一化。通过这个归一化后,能对光照变化和阴影获得更好的效果。
(4)优点:
与其他的特征描述方法相比,HOG 有很多优点。首先,由于 HOG 是在图像的
局部方格单元上操作,所以它对图像几何的和光学的形变都能保持很好的不变
性,这两种形变只会出现在更大的空间领域上。其次,在粗的空域抽样、精细
的方向抽样以及较强的局部光学归一化等条件下,只要行人大体上能够保持直
立的姿势,可以容许行人有一些细微的肢体动作,这些细微的动作可以被忽略
而不影响检测效果。因此 HOG 特征是特别适合于做图像中的人体检测的。
%
2、HOG 特征提取算法的实现过程:
大概过程:
HOG 特征提取方法就是将一个 image(你要检测的目标或者扫描窗口):
1)灰度化(将图像看做一个 x,y,z(灰度)的三维图像);
2)采用 Gamma 校正法对输入图像进行颜色空间的标准化(归一化);目的
是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可
以抑制噪音的干扰;
3)计算图像每个像素的梯度(包括大小和方向);主要是为了捕获轮廓信息,
同时进一步弱化光照的干扰。
4)将图像划分成小 cells(例如 6*6 像素/cell);
5)统计每个 cell 的梯度直方图(不同梯度的个数),即可形成每个 cell 的
descriptor;
6)将每几个 cell 组成一个 block(例如 3*3 个 cell/block),一个 block 内
所有 cell 的特征 descriptor 串联起来便得到该 block 的 HOG 特征
descriptor。
7)将图像 image 内的所有 block 的 HOG 特征 descriptor 串联起来就可以得
到该 image(你要检测的目标)的 HOG 特征 descriptor 了。这个就是最终的
可供分类使用的特征向量了。
具体每一步的详细过程如下:
(1)标准化 gamma 空间和颜色空间
为了减少光照因素的影响,首先需要将整个图像进行规范化(归一化)。在图
像的纹理强度中,局部的表层曝光贡献的比重较大,所以,这种压缩处理能够
有效地降低图像局部的阴影和光照变化。因为颜色信息作用不大,通常先转化
为灰度图;
Gamma 压缩公式:
比如可以取 Gamma=1/2;
(2)计算图像梯度
计算图像横坐标和纵坐标方向的梯度,并据此计算每个像素位置的梯度方向值;
求导操作不仅能够捕获轮廓,人影和一些纹理信息,还能进一步弱化光照的影
响。
图像中像素点(x,y)的梯度为:
最常用的方法是: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 gradscalx,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 gradscaly。然后再用以上公式计算该像素点的梯度大小和方向。
%
(3)为每个细胞单元构建梯度方向直方图
第三步的目的是为局部图像区域提供一个编码,同时能够保持对图像中人体对
象的姿势和外观的弱敏感性。
我们将图像分成若干个“单元格 cell”,例如每个 cell 为 6*6 个像素。假设我们
采用 9 个 bin 的直方图来统计这 6*6 个像素的梯度信息。也就是将 cell 的梯度
方向 360 度分成 9 个方向块,如图所示:例如:如果这个像素的梯度方向是
20-40 度,直方图第 2 个 bin 的计数就加一,这样,对 cell 内每个像素用梯度
方向在直方图中进行加权投影(映射到固定的角度范围),就可以得到这个
cell 的梯度方向直方图了,就是该 cell 对应的 9 维特征向量(因为有 9 个
bin)。
像素梯度方向用到了,那么梯度大小呢?梯度大小就是作为投影的权值的。例
如说:这个像素的梯度方向是 20-40 度,然后它的梯度大小是 2(假设啊),
那么直方图第 2 个 bin 的计数就不是加一了,而是加二(假设啊)。
细胞单元可以是矩形的(rectangular),也可以是星形的(radial)。
(4)把细胞单元组合成大的块(block),块内归一化梯度直方图
由于局部光照的变化以及前景-背景对比度的变化,使得梯度强度的变化范围非
常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边
缘进行压缩。
作者采取的办法是:把各个细胞单元组合成大的、空间上连通的区间
(blocks)。这样,一个 block 内所有 cell 的特征向量串联起来便得到该
block 的 HOG 特征。这些区间是互有重叠的,这就意味着:每一个单元格的特
征会以不同的结果多次出现在最后的特征向量中。我们将归一化之后的块描述
符(向量)就称之为 HOG 描述符。
剩余63页未读,继续阅读
资源评论
weixin_42859663
- 粉丝: 2
- 资源: 10
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C#,煎饼排序问题(Pancake Sorting Problem)算法与源代码
- C#,排列组合的堆生成法(Heap’s Algorithm for generating permutations)算法与源代码
- C#,老鼠迷宫问题的回溯法求解(Rat in a Maze)算法与源代码
- 6693eeb8d683458a07938615fba9e68f.apk
- C#,数值计算,解微分方程的龙格-库塔二阶方法与源代码
- C#,数值计算,用割线法(Secant Method)求方程根的算法与源代码
- C#,子集和问题(Subset Sum Problem)的算法与源代码
- mongodb 数据库基本操作
- Linux操作系统基础教程
- Linux操作系统相关习题集
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功