histogram of oriented gradients算法详解

《histogram of oriented gradients算法详解》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、HistogramofOrientedGradients算法详解目录1.HOG算法简介22.HOG算法步骤62.1色彩和伽马归一化（colorandgammanormalization）62.2梯度的计算（Gradientcomputation）62.3构建方向的直方图(creatingtheorientationhistograms)72.4把细胞单元组合成大的区间(groupingthecellstogetherintolargerblocks)122.5区间归一化（Blocknormalization）132.6SVM分类器（SVMclassifier）进行分类143.HOG算法简单汇总

2、及实现173.1HOG流程简单汇总：173.2例图lena图：173.3HOG原理matlab代码：184.HOG算法详细分析及实现204.1HOGDescriptorinMATLAB204.2HOGPersonDetectorTutorial214.3GradientVectors264.4ImageDerivative304.5matlabcode345.DigitClassificationUsingHOGFeatures405.1DigitDataSet415.2UsingHOGFeatures425.3TraintheClassifier435.4TesttheClassifier4

3、45.5Results445.6Summary455.7References45675.8Appendix-Helperfunctions45参考文献46附录A:HOG特征提取matlab代码46Code146本文包含HOG算法(方向梯度直方图)的详细解释及特征描述子的计算matlab代码；1.HOG算法简介方向梯度直方图（HistogramofOrientedGradient,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。此方法使用了图像的本身的梯度方向特征，类似于边缘方向直方图方法，SIFT描述子，和上下文形状方法，但其特征在于其在一个网格密集的大小统一的方格单元

4、上计算，而且为了提高精确度使用了重叠的局部对比度归一化的方法。HOGdescriptors是应用在计算机视觉和图像处理领域，用于目标检测的特征描述器。这项技术是用来计算局部图像梯度的方向信息的统计值。这种方法跟边缘方向直方图（edgeorientationhistograms）、尺度不变特征变换（scale-invariantfeaturetransformdescriptors）以及形状上下文方法（shapecontexts）有很多相似之处，但与它们的不同点是：HOG描述器是在一个网格密集的大小统一的细胞单元（densegridofuniformlyspacedcells）上计算，而且为了提

5、高性能，还采用了重叠的局部对比度归一化（overlappinglocalcontrastnormalization）技术。这篇文章的作者NavneetDalal和BillTriggs是法国国家计算机技术和控制研究所FrenchNationalInstituteforResearchinComputerScienceandControl(INRIA)的研究员。他们在这篇文章中首次提出了HOG方法。这篇文章被发表在2005年的CVPR上。他们主要是将这种方法应用在静态图像中的行人检测上，但在后来，他们也将其应用在电影和视频中的行人检测，以及静态图像中的车辆和常见动物的检测。HOG描述器最重要的思想

6、是：在一副图像中，局部目标的表象和形状（appearanceandshape）能够被梯度或边缘的方向密度分布很好地描述。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。为了提高性能，我们还可以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67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

7、果。与其他的特征描述方法相比，HOG描述器后很多优点。首先，由于HOG方法是在图像的局部细胞单元上操作，所以它对图像几何的（geometric）和光学的（photometric）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，作者通过实验发现，在粗的空域抽样（coarsespatialsampling）、精细的方向抽样（fineorientationsampling）以及较强