HOG特征检测通过计算局部区域的梯度方向直方图来构成特征，用于描述图像边缘和形状信息。它包括检测窗口、块和单元格的定义，并在OpenCV中有详细实现。HOG与SIFT的主要区别在于目标和处理方式，HOG适用于边缘结构的描述，且不涉及特征点提取。尽管HOG能抵抗光照变化，但速度慢，对遮挡和噪点敏感。常用于HOG+SVM的行人检测。
HOG特征检测，它是通过计算局部区域的梯度方向直方图来构成特征。
(1)大小：
A、检测窗口：WinSize=128*64像素，在图像中滑动的步长是8像素(水平和垂直都是)
B、块：BlockSize=16*16像素，在检测窗口中滑动的步长是8像素(水平和垂直都是)
C、单元格：CellSize=8*8像素
D、梯度方向：一个Cell的梯度方向分为9个方向，在一个单元格内统计9个方向的梯度直方图
(2)HOG描述子
OpenCV中一个Hog描述子是针对一个检测窗口而言的，一个检测窗口有((128-16)/8+1)*((64-16)/8+1)=105个Block，一个Block有4个Cell，一个Cell的Hog描述子向量的长度是9，所以一个检测窗口的Hog描述子的向量长度是105*4*9=3780维。
HOG特征提取是统计梯度直方图特征。具体来说就是将梯度方向（0->360°）划分为9个区间，将图像化为16x16的若干个block,每个block再化为4个cell（8x8）。对每一个cell,算出每一像素点的梯度方向和模，按梯度方向增加对应bin的值，最终综合N个cell的梯度直方图形成一个高维描述子向量。实际实现的时候会有各种插值。
1、HOG与SIFT的区别
HOG和SIFT都是描述子，以及由于在具体操作上有很
最低0.47元/天 解锁文章
扫一扫
414
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
