计算机视觉-1.1HOG特征

一.基础概念

当我们看到一张图片的时候可以从多个角度进行描述，例如颜色、纹理、形状，这里的颜色、纹理、形状都是特征。在传统机器学习算法中，一般会从原始特征中进一步的提取高层特征，有两个外国人新发明了一种高层特征来描述图片，就是HOG（Histogram of Oriented Gradient）方向梯度直方图。与冷暖亮暗一样，HOG也要用数学方法来表示。

二.方向梯度

每个像素有自己的梯度，灰度图像和彩色图像都可以用于计算梯度图，对于彩色图像，先对三通道颜色值分别计算梯度，然后取梯度值最大的那个作为该像素的梯度。一般计算前先要做一些预处理，为了简化，现在就假设用处理过的最简单灰度图为例，计算一个像素的梯度大小和梯度方向：
把图像看作一个二维函数，每一点有x，y两个方向的导数。
但是像素是离散的，所以无穷小要改为1
计算梯度的大小和方向
梯度值特别大的地方就代表像素间的值差别大，就可以判断为边缘。这是基本的梯度概念，在实际计算机操作中，还需要改成计算机可以操作的模式，例如把平方开方改成用绝对值代替、使用计算模板等等。可以使用OpenCV的Sobel（索贝尔）算子实现。

三.计算梯度直方图

有了每一个元素的梯度大小和方向，下一步就要把这些数据整合为一张直方图。
流程是这样
1.先把一张图分为若干个小单元。例如选择每个小单元的大小是8*8，小单元叫做cell。

2.创建一个数组，这个数组每一个位置代表着一个梯度方向。梯度方向的取值范围是0-180，将180分为若干份。例如将角度范围分成9份，也就是9 bins，每20°为一个单元。创建一个长度为9的数组。
3.判断cell中每一个像素的方向和大小，向数组中填数字。

例如绿色圈内的像素的梯度方向是80，就把梯度大小66加到80对应的位置。
红色圈内的元素的梯度方向是10，就把对应的大小2744按比例拆分，分别加到0和20的位置。最后得到的这个数组，就是这个cell的梯度直方图。

四.归一化梯度直方图

现在有了每个cell的直方图了，那么怎么得到整张图的梯度直方图呢？
1.先对几个相邻的cell进行归一化处理，例如选择22个cell作为一组，这四个cell称为一个block。
第一个block进行归一化，得到的是94=36维的直方图。
2.然后将block移动一个cell的距离，再归一化得到一个9*4=36的直方图。

3.假如整张图被分为了816个cell，那么由于block=22，现在就要进行715次归一化，最后整个hog的特征描述符长度为94715=3780。

最后，这张图的hog特征就是一个3780长度的数组，数组中记录的是每个block中归一化后的梯度值与梯度方向。

https://zhuanlan.zhihu.com/p/85829145
https://blog.csdn.net/wjb820728252/article/details/78395092
Navneet Dalal and Bill Triggs在05年用HOG技术进行行人检测
图像梯度