HOG（Histogram of Oriented Gradients）是一种用于目标检测的特征描述子，通过计算图像局部区域的方向梯度直方图。OpenCV实现的R-HOG包括窗口、块和细胞单元的统计。HOG特征的提取包括灰度化、细胞划分、梯度计算和直方图统计。在行人检测中，通过不同尺度和方向的模板匹配实现尺度和旋转不变性。OpenCV的HOGDescriptor类提供了HOG特征的计算，并有多个构造函数用于设置不同的参数，如窗口大小、块大小、细胞大小和梯度方向数等。
HOG即histogram of oriented gradient, 是用于目标检测的特征描述子，该技术将图像局部出现的方向梯度次数进行计数。其原理是很简单的, 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。
①HOG特征原理：
HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。通过将整幅图像分割成小的连接区域（称为cells），每个cell生成一个方向梯度直方图或者cell中pixel的边缘方向，这些直方图的组合可表示出（所检测目标的目标）描述子。为改善准确率，局部直方图可以通过计算图像中一个较大区域(称为block)的光强作为measure被对比标准化，然后用这个值(measure)归一化这个block中的所有cells.这个归一化过程完成了更好的照射/阴影不变性。
与其他描述子相比，HOG得到的描述子保持了几何和光学转化不变性（除非物体方向改变）。因此HOG描述子尤其适合人的检测。
通俗的讲：
HOG特征提取方法就是将一个image：
1. 灰度化（将图像看做一个x,y,z（灰度）的三维图像）
2. 划分成小cells（6*6）
最低0.47元/天 解锁文章
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
