图像梯度方向直方图描述子VIP免费

图像梯度方向直方图描述子重庆大学行业信息化工程中心黄晟LOGO图像表征什么是图像的描述子？其实图像描述子就是图像的一种表征形式，我们所熟知的像素值便是最常见最朴素的一种图像表征形式，也可以被看成一种描述形式。既然已经存在像素这种描述子，为何我们还有寻求新的图像描述子？LOGO图像梯度方向直方图描述子图像梯度方向直方图（HistogramofOrientedGradient）HOG（HistogramofOrientedGradient）是2005年CVPR会议上，法国国家计算机科学及自动控制研究所的Dalal等人提出的一种解决人体目标检测的图像描述子，该方法使用梯度方向直方图（HistogramofOrientedGradients,简称HOG）特征来表达人体，提取人体的外形信息和运动信息，形成丰富的特征集。LOGO图像梯度方向直方图的生成步骤生成步骤：LOGOHOG描述子高维图像特征向量生成步骤HOG描述子高维图像特征向量生成步骤：1.图像归一化2.利用一阶微分计算图像梯度3.基于梯度幅值的方向权重投影4.HOG特征向量归一化5.得出HOG最终的特征向量LOGO图像归一化step1:图像归一化归一化图像的主要目的是提高检测器对光照的鲁棒性，因为实际的人体目标可能出现的各种不同的场合，检测器，必须对光照不太敏感才会有好的效果。LOGO利用一阶微分计算图像梯度Step2利用一阶微分计算图像梯度图像平滑梯度法求图像梯度LOGO图像平滑图像平滑对于灰度图像，一般为了去除噪点，所以会先利用离散高斯平滑模板进行平滑：高斯函数在不同平滑的尺度下进行对灰度图像进行平滑操作，Dalal等实验表明在下，人体检测效果最佳（即不做高斯平滑），使得错误率缩小了约一倍。不做平滑操作，可能原因：图像时基于边缘的，平滑会降低边缘信息的对比度，从而减少图像中的信号信息。LOGO利用一阶微分求解图像梯度一阶微分处理一般对灰度阶梯有较强的响应一阶微分：对于函数f(x,y)，在其坐标（x,y）上的梯度是通过如下二维列向量定义的：这个向量的模值由下式给出：(1)()ffxfxxffGxxfGyy1/2221/2222f||f||ffGxGyxyLOGO因为模值的计算开销比较大，一般可以按如下公式近似求解：Dalal等人利用许多一阶微分模板进行求梯度近似值，但在实验中表明模板[-1,0,1]效果最好。LOGO我将采用模板[-1,0,1]为例计算图像梯度以及方向，通过梯度模板计算水平和垂直方向的梯度分别如下：其中，分别表示该像素点的水平，垂直梯度值。计算该像素点的梯度值（梯度强度）以及梯度方向：(,)(1,)(1,),(,)(,1)(,1),hvGxyfxyfxyxyGxyfxyfxyxyLOGO对于梯度方向的范围限定，一般采用无符号的范围，故梯度方向可表示为：(,),(,)0(,)(,),xyxyxyxyothersLOGO基于梯度幅值的方向权重投影Step3基于梯度幅值的方向权重投影HOG结构通常使用的HOG结构大致有三种：矩形HOG（简称为R-HOG），圆形HOG和中心环绕HOG。它们的单位都是Block（即块）LOGODalal的试验证明矩形HOG和圆形HOG的检测效果基本一致，而环绕形HOG效果相对差一些。并且，圆形与环绕形的HOG文献比较少，应用研究没有矩形HOG普遍。所以在此，我将着重讲解矩形HOG的情况。LOGO矩形HOG块的划分：一般一个块（Block）都由若干单元（Cell）组成，一个单元都有如干个像素点组成。LOGOLOGO在每个Cell中有独立做梯度方向统计，从而以梯度方向为横轴的的直方图，前面我们已经提到过，梯度方向可取0度到180度或0度~360度，但dalal实验表明，对于人体目标检测0度~180度这种忽略度数正负级的方向范围能够取得更好的结果。然后又将这个梯度分布平均分成个方向角度（orientationbins），每个方向角度范围都会对应一个直方柱。LOGO根据Dalal等人实验，在人体目标检测中，在无符号方向角度范围并将其平均分成9份（bins）能取得最好的效果，当bin的数目继续增大效果改变不明显，故一般在人体目标检测中使用bin数目为9范围0~180度的度量方式。如下图所示：LOGOBlock中各个参数的最终选取：LOGO从图中可以看出，对于人体对象检测，块的大小为3×3个单元格，单元格的大...