【理论篇】HOG特征描述算子

最新推荐文章于 2021-06-30 09:13:31 发布

王纯月

最新推荐文章于 2021-06-30 09:13:31 发布

阅读量1.4k

点赞数

分类专栏： OpenCV python 文章标签： opencv

本文链接：https://blog.youkuaiyun.com/weixin_42326479/article/details/107168633

版权

本文介绍了HOG（Histogram of Oriented Gradients）特征描述算子的理论与提取步骤，包括灰度图像转换、梯度计算、分网格的梯度方向直方图、块描述子以及归一化。通过这种方法，HOG能有效捕捉图像中的物体特征，常用于物体检测。文章还提及了梯度计算的内核和块描述子的重叠设计，以及L2-norm归一化策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

HOG特征

前言

HOG全称histogram of oriented gradients.就是根据方向梯度直方图寻找图像的特征。它可以用来表示图像的物体特征，因此能够检测出这类物体。（下图就是HOG提取的特征）
在这里插入图片描述

HOG特征描述子提取过程：

灰度图像转换
梯度计算
分网格的梯度方向直方图
块描述子
块描述子归一化

1 理论

1.1 梯度计算

为了得到梯度直方图，那么首先需要计算水平和垂直梯度，这可以通过使用以下内核过滤图像来实现，分别用于计算水平梯度和垂直梯度。
在这里插入图片描述

#调节图像对比度，减少光照对图像的影响
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('*.png', 0)
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
img2 = np.power(img/float(np.max(img)),1/