HOG（Histogram of Oriented Gradient）方向梯度直方图

最新推荐文章于 2024-05-16 13:32:57 发布

原创

最新推荐文章于 2024-05-16 13:32:57 发布 · 7.1k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #HOG #特征提取

HOG（Histogram of Oriented Gradient）是一种用于特征提取的方法，通过对图像局部梯度方向的直方图统计来描述物体的形状和结构。该方法对光照变化和几何变形有较好的不变性，主要步骤包括图像预处理、梯度计算、细胞单元划分、直方图构造、对比度归一化和特征组合。HOG特征常用于行人检测等计算机视觉任务。

思路来源：HOG（Histogram of Oriented Gradient）方向梯度直方图特征描述图像局部梯度或边缘方向的分布，选择HOG而不是其他低级特征，如像素的亮度、梯度信息或它们的组合特征，原因在于像素亮度只能表征两个图像块之间亮度差异，而梯度特征对噪声比较敏感，对于梯度方向直方图特征，它不仅能很好的描述图像块局部结构信息，而且对噪声或异常样本具有很好的鲁棒性。

核心思想是一幅图像中的物体的表象和形状可以被梯度或边缘的方向密度分布很好地描述。其实现方法是先将图像分成小的叫做方格单元连通区域；然后采集方格单元中各像素点的梯度方向或边缘方向直方图；最后把这些直方图组合起来就可以构成特征描述子。为了提高精确度，还可以把这些局部直方图在图像的更大的区间(block)中进行对比度归一化，此方法通过先计算各直方图在这个区间(block)中的密度，然后根据这个密度值对区间中的各个方格单元做归一化。通过这个归一化后，能对光照变化和阴影获得更好的稳定性。

优点：首先，由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在方向梯度直方图特征的核心思想是一幅图像中的物体的表象和形状可以被梯度或边缘的方向密度分布很好地描述。其实现方法是先将图像分成小的叫做方格单元连通区域；然后采集方格单元中各像素点的梯度方向或边缘方向直方图；最后把这些直方图组合起来就可以构成特征描述子。为了提高精确度，还可以把这些局部直方图在图像的更大的区间(block)中进行对比度归一化，此方法通过先计算各直方图在这个区间(block)中的密度，然后根据这个密度值对区间中的各个方格单元做归一化。通过这