HOG（方向梯度直方圖的簡稱）

簡介

1、主要思想：在一副圖像中，局部目標(biāo)的表象和形狀能夠被梯度或邊緣的方向密度分布很好地描述。其本質(zhì)為：梯度的統(tǒng)計信息，而梯度主要存在于邊緣的地方。

Hog特征結(jié)合SVM分類器已經(jīng)被廣泛應(yīng)用于圖像識別中，尤其在行人檢測中獲得了極大的成功。

2、實現(xiàn)方法：首先將圖像分成小的連通區(qū)域，這些連通區(qū)域被叫做細胞單元。然后采集細胞單元中各像素點的梯度的或邊緣的方向直方圖。最后把這些直方圖組合起來，就可以構(gòu)成特征描述符。

3、性能提高：將這些局部直方圖在圖像的更大的范圍內(nèi)（叫做區(qū)間）進行對比度歸一化，可以提高該算法的性能，所采用的方法是：先計算各直方圖在這個區(qū)間中的密度，然后根據(jù)這個密度對區(qū)間中的各個細胞單元做歸一化。通過這個歸一化后，能對光照變化和陰影獲得更好的效果。^[1]

優(yōu)點

與其他的特征描述方法相比，HOG有很多優(yōu)點。

首先，由于HOG是 在圖像的局部方格單元上操作，所以它對圖像幾何的和光學(xué)的形變都能保持很好的不變性，這兩種形變只會出現(xiàn)在更大的空間領(lǐng)域上。

其次，在粗的空域抽樣、精細 的方向抽樣以及較強的局部光學(xué)歸一化等條件下，只要行人大體上能夠保持直立的姿勢，可以容許行人有一些細微的肢體動作，這些細微的動作可以被忽略而不影響 檢測效果。

因此HOG特征是特別適合于做圖像中的人體檢測的。^[1]

提取與計算

HOG特征的具體提取步驟如下：

1、色彩和伽馬歸一化

HOG

為了減少光照因素的影響，首先需要將整個圖像進行規(guī)范化（歸一化）。在圖像的紋理強度中，局部的表層曝光貢獻的比重較大，所以，這種壓縮處理能夠有效地降低圖像局部的陰影和光照變化。

2、計算圖像梯度

計算圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度，并據(jù)此計算每個像素位置的梯度方向值；求導(dǎo)操作不僅能夠捕獲輪廓，人影和一些紋理信息，還能進一步弱化光照的影響。

最常用的方法是：簡單地使用一個一維的離散微分模板在一個方向上或者同時在水平和垂直兩個方向上對圖像進行處理，更確切地說，這個方法需要使用濾波器核濾除圖像中的色彩或變化劇烈的數(shù)據(jù)。

3、構(gòu)建方向的直方圖

細胞單元中的每一個像素點都為某個基于方向的直方圖通道投票。投票是采取加權(quán)投票的方式，即每一票都是帶有權(quán)值的，這個權(quán)值是根據(jù)該像素點的梯度幅度計算出來?？梢圆捎梅当旧砘蛘咚暮瘮?shù)來表示這個權(quán)值，實際測試表明：使用幅值來表示權(quán)值能獲得最佳的效果，當(dāng)然，也可以選擇幅值的函數(shù)來表示，比如幅值的平方根、幅值的平方、幅值的截斷形式等。細胞單元可以是矩形的，也可以是星形的。直方圖通道是平均分布在0-1800（無向）或0-3600（有向）范圍內(nèi)。經(jīng)研究發(fā)現(xiàn)，采用無向的梯度和9個直方圖通道，能在行人檢測試驗中取得最佳的效果。

HOG

4、將細胞單元組合成大的區(qū)間

由于局部光照的變化以及前景-背景對比度的變化，使得梯度強度的變化范圍非常大。這就需要對梯度強度做歸一化。歸一化能夠進一步地對光照、陰影和邊緣進行壓縮。

采取的辦法是：把各個細胞單元組合成大的、空間上連通的區(qū)間。這樣，HOG描述符就變成了由各區(qū)間所有細胞單元的直方圖成分所組成的一個向量。這些區(qū)間是互有重疊的，這就意味著：每一個細胞單元的輸出都多次作用于最終的描述器。

區(qū)間有兩個主要的幾何形狀——矩形區(qū)間（R-HOG）和環(huán)形區(qū)間（C-HOG）。R-HOG區(qū)間大體上是一些方形的格子，它可以有三個參數(shù)來表征：每個區(qū)間中細胞單元的數(shù)目、每個細胞單元中像素點的數(shù)目、每個細胞的直方圖通道數(shù)目。

5、收集HOG特征

HOG

把提取的HOG特征輸入到SVM分類器中，尋找一個最優(yōu)超平面作為決策函數(shù)。^[1]

R-HOG與C-HOG

R- HOG 跟SIFT描述器看起來很相似，但他們的不同之處是：R-HOG是在單一尺度下、密集的網(wǎng)格內(nèi)、沒有對方向排序的情況下被計算出來；而SIFT描述器是在多尺度下、稀疏的圖像關(guān)鍵點上、對方向排序的情況下被計算出來。另外，R-HOG是各區(qū)間被組合起來用于對空域信息進行編碼，而SIFT的各描述器是單獨使用的。

C- HOG區(qū)間有兩種不同的形式，它們的區(qū)別在于：一個的中心細胞是完整的，一個的中心細胞是被分割的。經(jīng)研究發(fā)現(xiàn) C-HOG的這兩種形式都能取得相同的效果。C-HOG區(qū)間可以用四個參數(shù)來表征：角度盒子的個數(shù)、半徑盒子個數(shù)、中心盒子的半徑、半徑的伸展因子。通過實驗，對于行人檢測，最佳的參數(shù)設(shè)置為：4個角度盒子、2個半徑盒子、中心盒子半徑為4個像素、伸展因子為2。此外，對于R- HOG，中間加一個高斯空域窗口是非常有必要的，但對于C-HOG，這顯得沒有必要。C-HOG看起來很像基于形狀上下文的方法，但不同之處是：C-HOG的區(qū)間中包含的細胞單元有多個方向通道，而基于形狀上下文的方法僅僅只用到了一個單一的邊緣存在數(shù)。^[1]

總結(jié)

Dalal提出的HOG特征提取的過程：把樣本圖像分割為若干個像素的單元，把梯度方向平均劃分為多個區(qū)間，在每個單元里面對所有像素的梯度方向在各個方向區(qū)間進行直方圖統(tǒng)計，得到一個多維的特征向量，每相鄰的單元構(gòu)成一個區(qū)間，把一個區(qū)間內(nèi)的特征向量聯(lián)起來得到多維的特征向量，用區(qū)間對樣本圖像進行掃描，掃描步長為一個單元。最后將所有塊的特征串聯(lián)起來，就得到了人體的特征。至今雖然有很多行人檢測算法，但基本都是以HOG+SVM的思路為主。^[1]