OpenCV中 关于hog特征向量的个数的计算

转自：http://gz-ricky.blogbus.com/logs/85326280.html

今天脑袋终于开窍了，把hog的特征个数弄懂了一点

•  

  其实原理是很简单的，在OpenCV实现的是R-HOG，即对图像img->窗口window->块block->细胞单元cell进行向量统计

  首先看描述器的构造函数，我用

  HOGDescriptor *desc=new HOGDescriptor(cvSize(40,80),cvSize(10,20),cvSize(5,10),cvSize(5,5),9);

  进行测试。

   

  这里的window为(40, 80)， block为(10, 20)，block的步进stride是(5, 10)， 细胞单元cell是5 * 5像素，每个cell的直方图bin是9。

  于是， 对每一个cell， 有9个向量
•  

  对每一个block，有2*4个cell，所以有72个向量
•  

  对于window而言，计算block个数的方法是，对两个方向计算 (window_size - block_size)/block_stride + 1，算得共有7*7 个block，共有72*49=3528个向量

   

   
•  
• 在搜索img，计算图片特征的时候， 调用desc->compute(img,w,cvSize(10,20),cvSize(0,0));

  其中img是输入图像， w是保存向量的vector，第三个是window的步进，第四个是padding， 用于填充图片以适应大小的。  
•  

  当设置padding为默认(0,0)时， 计算(img_size - window_size) / window_stride +1 不一定为整数
•  

  在compute函数中可以看到：

      padding.width = (int)alignSize(std::max(padding.width, 0), cacheStride.width);
      padding.height = (int)alignSize(std::max(padding.height, 0), cacheStride.height);
  即padding的大小会自动适应stride的值。
•  

  gz_ricky输入的图片是96*160的，对应了5.6 * 5， 经函数调整后变成6 * 5 =30

   

   所以对这张96*160的图片， 共有 3528 * 30 = 105840个特征向量

   

  PS，如果设置了padding的值，图片就会先伸展padding*2，或许是和内部那个paddingTL和paddingBR两个有关，即在Top-Left和Button-Right两个方向都扩展。计算特征数方法同上。

   

  hog特征值会生成以后，可以转入svm训练的阶段了。。。