【计算机视觉】方向梯度直方图（Histogram of Oriented Gradient，HOG）

最新推荐文章于 2025-10-19 18:34:54 发布

原创

最新推荐文章于 2025-10-19 18:34:54 发布 · 2.4k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#HOG #CV #计算机视觉

HOG（Histogram of Oriented Gradient）是一种高效的人体目标检测描述子，由Dalal和Triggs于2005年提出。它通过计算图像的梯度方向和强度，构建局部区域的梯度方向直方图，形成丰富的特征集。本文详细介绍了HOG的工作流程，包括颜色空间归一化、梯度计算、构建梯度方向直方图以及梯度直方图归一化。

文章目录

1. HOG 简述

HOG（Histogram of Oriented Gradient）方向梯度直方图是 Dalal 和 Triggs 在 2005 的 CVPR 上提出的一种解决人体目标检测的图像描述子，用于表征图像局部梯度方向和梯度强度分布特性。其具体思想是：在一副图像中，局部目标的形状能够被梯度或边缘的方向密度分布很好地描述。该方法通过统计局部区域的梯度方向直方图来构成特征，能够很好地描述人体的边缘，提取人体的外形信息和运动信息，形成丰富的特征集。Dalal 等提出的 HOG+SVM 算法当时在行人检测上取得了巨大的成功，而此后涌现的许多算法，大多是以该算法为基础框架。

2. HOG 工作流程

梯度方向直方图顾名思义就是计算图像中各像素的梯度方向，统计成为直方图作为特征表示目标。其大致有以下4步：
在这里插入图片描述

第一步、对图像的颜色空间进行归一化

因为图像的采集环境、装置等因素，采集到的图像效果可能不是很好，所以需要对采集到的图像进行预处理。其中包括：将图像灰度化和 Gamma 校正。使用 Gamma 校正法对输入图像进行颜色空间的标准化的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。

第二步、计算每个像素点的梯度

在HOG特征提取的过程中，梯度计算采用简单的水平边缘算子 [-1,0,1] 和垂直边缘算子 [-1,0,1]^T。通过与图像进行卷积操作来获得梯度信息。图像中某像素点 (x,y) 的梯度可以用如下公式计算：
$G_x(x,y) = H(x+1,y)-H(x-1,y) \\ G_y(x,y) = H(x,y+1)-H(x,y-1)$

最低0.47元/天解锁文章