fhog特征

最新推荐文章于 2021-08-21 22:57:12 发布

selfsongs

最新推荐文章于 2021-08-21 22:57:12 发布

阅读量1.6k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：计算机视觉

原文链接：https://blog.youkuaiyun.com/qq_33569337/article/details/81873017

计算机视觉专栏收录该内容

5 篇文章

订阅专栏

本文详细介绍了HOG特征提取过程，包括灰度化、gamma校正、梯度计算、构建9维特征向量、归一化截断、PCA降维等步骤，并探讨了有方向梯度的处理方式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.hog特征提取—9维特征向量

步骤1：灰度化（将输入的RGB三通道图像转化为单通道图像）；

步骤2：采用gamma校正法对输入图像进行颜色空间的标准化，校正公式为： $I(x,y)=I(x,y)^{gamma}$
其中gamma=1/2, 通过Gamma压缩处理，可以降低光照变化以及局部图像阴影的影响；
步骤3：计算图像梯度，包括每个像素点的梯度值和梯度方向。x方向和y方向的卷积核分别为： $G_{x}=[-1,0,1],G_{y}=[1,0,-1]^{T}$
得到 $I (x, y)$ 水平方向梯度 $G_{x}(x,y)$ （水平向右为正方向），垂直方向梯度 $G_{y}(x,y)$ （垂直向上为正方向）,每个像素点的梯度 $G (x, y)$ 和梯度方向 $α (x, y)$ 分别为： $G(x,y)=\sqrt{G_{x}^{2}+G_{y}^{2}}$ $\alpha (x,y)=arctan(\frac{G_{x}(x,y)}{G_{y}(x,y)})$

步骤4：构建9维hog特征向量：

将图像分成若干个“cell”，例如每个cell为66个像素。采用9个bin的直方图来统计这66个像素的梯度信息。也就是将cell的梯度方向360度分成9个方向块，如下图所示：若某个像素的梯度方向是0-20度或180-200度，直方图第1个bin的计数就加一，这样，对cell内每个像素用梯度方向在直方图中进行加权投影（权值与梯度值相关，如该像素点梯度值为3，权值即为3），就可以得到这个cell的梯度方向直方图了，就是该cell对应的9维特征向量（即9个bin直方图）。
在这里插入图片描述

2.归一化截断
通过归一化截断得到每个cell对应的36为特征向量。已知 $C (i, j)$ 为第 $(i, j)$ 个cell的9维特征向量，与其相邻的特征向量为： $\begin{bmatrix} C(i-1,j-1) &C(i-1,j) &C(i-1,j+1) \\ C(i,j-1) &C(i,j) &C(i,j+1) \\ C(i+1,j-1) &C(i+1,j) &C(i+1,j+1) \end{bmatrix}$
定义 $N_{\beta,\gamma}$ 为： $N_{\beta,\gamma }=(||C(i,j)||^{2}+||C(i+\beta,j)||^{2}+||C(i+\beta,j+\gamma)||^{2}+||C(i,j+\gamma)||^{2})^{1/2}$

则36维特征向量 $H (i, j)$ 即为： $H(i,j)=\begin{pmatrix} Min(N_{-1,-1}(i,j),C(i,j))\\ Min(N_{1,-1}(i,j),C(i,j))\\ Min(N_{1,1}(i,j),C(i,j))\\ Min(N_{1,1}(i,j),C(i,j)) \end{pmatrix}$
3.PCA降维
下图是36个主成分，前12个横条和竖条状的特征向量占据大部分，分别按行和按列求和，一共得到4+9=13维特征向量。
在这里插入图片描述
图片来源于论文《Object Detection with Discriminatively Trained Part Based Models》
4.计算有方向梯度，得到18维特征向量
上述1、2、3是假设梯度无方向，考虑有方向的梯度，那每个Cell就有360/20=18维hog特征，再由第2步得到4*18维特征，然后按行求和得到18维特征向量，此时不再进行列求和。故无向和有向一共31维向量。