基于（ＨＯＧ）的特征提取的學習

基于（ＨＯＧ）的特征提取的學習同濟大學測繪與地理信息學院Contents對HOG的整體認識1HOG結構2歸一化圖像及梯度計算3塊內的HOG以及窗口內HOG的檢測4關于ＨＯＧ梯度方向直方圖（HistogramofOrientedGradients,簡稱HOG）是目前特征檢測提取的一種重要依據(jù)之一。HOG是將圖像均勻的分成相鄰的小塊，然后在所有的小塊內統(tǒng)計梯度直方圖。HOG表現(xiàn)的是邊緣結構特征，因此可以描述局部的形狀信息，通過算法的改進，也可以在提取特征之后使用支撐向量機線性分類器(SVM)對其進行訓練，從而達到檢測目標的目的。完整的HOG特征提取算法和過程常用HOG結構通常使用的HOG結構大致有三種：矩形HOG（簡稱為R-HOG），圓形HOG和中心環(huán)繞HOG。矩形HOG使用重復遍歷的矩形cell網(wǎng)格。Block塊是由密集重復遍歷的cell組成的。每一個塊內獨立進行特征向量歸一化，以減少光照的影響。一般每個block由m×m個cell網(wǎng)格組成，而cell由n×n個像素組成。并且每個cell的梯度方向分成z個方向塊，使用cell中的梯度方向和幅度對z個方向塊投影，最后每個cell產(chǎn)生z維的特征向量。問題：Block與Cell的大小如何設置才能達到理想效果，與那些因素有關？※歸一化圖像

歸一化圖像的主要目的是提高檢測器對光照的魯棒性，因為實際的人體目標可能出現(xiàn)的各種不同的場合，檢測器必須對光照不太敏感才會有好的效果。這樣的歸一化一般使用gamma均衡。即顏色空間標準化，一般有兩種不同方式的Gamma標準化：平方根和log壓縮。還會進行濾波處理，以此來提高算法的抗噪性。如高斯濾波：※梯度的計算圖像的梯度和方向可以體現(xiàn)圖像中目標的外形廓和一些紋理信息。而且梯度也是對光照敏感的。在我們的梯度計算中，對于彩色圖像，計算每個像素位置所有通道的梯度方向和幅值，選擇梯度幅值最大的顏色通道，將這個通道的梯度方向作為這個像素點的梯度方向。由梯度方向直方圖確定主梯度方向Block塊內HOG要對圖像中的目標進行檢測，檢測器首先要對圖像進行密集的掃描，對每一個掃描的位置，以此為頂點，大小為檢測窗口的圖像區(qū)域計算HOG特征向量。而HOG特征的計算首先是對檢測窗口內以步長N進行遍歷，以每一個位置為頂點的Block塊內計算一次HOG特征。每個cell要對9維的特征進行梯度幅度投影，形成9維的特征向量，block內的四個cell獨立產(chǎn)生9維的特征向量。計算某一個cell的特征向量時，投影的時候同一個block內的另外三個cell中的像素也要對這個cell的特征向量進行投影。問題：關于特征向量的投影采用插值的方法，為什么選擇三維線性插值？檢測窗口內的HOG對檢測窗口進行重疊遍歷掃描block，然后逐一計算每個block的特征向量，最后所有block內特征向量的組合就是我們這個窗口的HOG特征向量。接上，對每個cell插值后就要對對block塊內