了解了SIFT算子之后，來(lái)看看HOG算子吧~其實(shí)仔細(xì)看看，會(huì)發(fā)現(xiàn)HOG和SIFT特征感覺(jué)像是孿生兄弟呢~當(dāng)然，即便如此，兩者之間仍是有較為明顯的差別，那就來(lái)看看吧~
HOG——Histogram Orientated Graphic（方向梯度直方圖）
通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)構(gòu)成特征（類(lèi)似于SIFT中8個(gè)方向梯度直方圖統(tǒng)計(jì)）。
在這兒參考了一篇寫(xiě)得比較詳細(xì)的博客Hog描述子。
先來(lái)說(shuō)說(shuō)Hog描述子形成的整體流程：
對(duì)整幅圖像用b*b大小的blocks窗口進(jìn)行滑動(dòng)，則整幅圖像有s個(gè)blocks，其中s=(（m-b）/stride+1)*((n-b)/stride+1);另外，對(duì)于兩blocks重疊的cells單元，進(jìn)行對(duì)比度歸一化，能有效第去除光照的影響以提高精確度。每個(gè)blocks劃分成c個(gè)cells，每個(gè)cells包含若干個(gè)像素點(diǎn)，針對(duì)每個(gè)cells，計(jì)算其中每個(gè)像素的梯度方向及幅值，并統(tǒng)計(jì)出該cell中的方向梯度直方圖（按一定權(quán)重，此處權(quán)重的選擇可根據(jù)L2，L1范式等確定），確定直方圖所包含的bins的個(gè)數(shù)b，最后針對(duì)每個(gè)block進(jìn)行特征歸一化，以消除因光照，陰影和邊緣變化等的影響，最后整張圖可由一個(gè)s*c*b的高維向量組成，至此便完成了HoG描述子的生成。
需要注意的是：在形成描述子的過(guò)程中有幾個(gè)超參數(shù)需要注意，首先是整張圖片劃分成多少個(gè)blocks，每個(gè)blocks劃分成多少個(gè)cells比較合適，另外對(duì)cells進(jìn)行直方圖統(tǒng)計(jì)時(shí)，選取多少個(gè)bins較為適宜，這些均是根據(jù)不同需求所需進(jìn)行設(shè)計(jì)的參數(shù)選擇。若blocks取得太大，則歸一化的效果被削弱使得錯(cuò)誤率提升，若取得太小，則相鄰blocks間有用的信息可能被過(guò)濾掉了。
HoG描述子最初的應(yīng)用是用于行人檢測(cè)，根據(jù)研究者大量的實(shí)驗(yàn)得出在針對(duì)行人檢測(cè)時(shí)，選擇的blocks大小為3*3個(gè)單元格，cells數(shù)為6*6，bins數(shù)為將0~180度角度無(wú)方向劃分成9個(gè)bins。并且因?yàn)獒槍?duì)行人檢測(cè)，需要有較明顯的邊緣信息，故在預(yù)處理時(shí)沒(méi)有對(duì)其進(jìn)行高斯平滑，但是在處理時(shí)，因?yàn)樾枰?jì)算梯度信息，對(duì)于噪點(diǎn)的處理經(jīng)常需要考慮到進(jìn)行平滑操作，故需針對(duì)具體問(wèn)題進(jìn)行具體分析。
在這兒想進(jìn)行說(shuō)明的是HoG描述子與SIFT描述子之間的區(qū)別：
可以看到，HoG與SIFT均進(jìn)行了梯度方向直方圖的統(tǒng)計(jì)操作，但不同的是，其針對(duì)的進(jìn)行統(tǒng)計(jì)的對(duì)象不同，HoG進(jìn)行統(tǒng)計(jì)歸一化是局部區(qū)域的block，而SIFT在進(jìn)行統(tǒng)計(jì)之前需要確定特征點(diǎn)，再取特征點(diǎn)周?chē)欢ǚ秶M(jìn)行直方圖統(tǒng)計(jì)。
由產(chǎn)生過(guò)程可知，HoG不具有尺度和旋轉(zhuǎn)不變性。
效果展示：
*R-HOG指的是block選用的是矩形，C-HOG指block選用的是圓形。
HoG+SVM進(jìn)行行人檢測(cè)是比較成熟的方法，另外opencv中也有相應(yīng)的實(shí)現(xiàn)函數(shù)接口。
