图像识别之图像特征提取

HOG特征：

方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处置中用来停止物体检测的特征描绘子。它经过计算和统计图像部分区域的梯度方向直方图来构成特征。Hog特征分离SVM分类器曾经被普遍应用于图像辨认中，特别在行人检测中取得了极大的胜利。需求提示的是，HOG+SVM停止行人检测的办法是法国研讨人员Dalal在2005的CVPR上提出的，而往常固然有很多行人检测算法不时提出，但根本都是以HOG+SVM的思绪为主。

(1)主要思想：

在一副图像中，部分目的的表象和外形(appearance and shape)可以被梯度或边缘的方向密度散布很好地描绘。(实质：梯度的统计信息，而梯度主要存在于边缘的中央)。

(2)详细的完成办法是：

首先将图像分红小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就能够构成特征描绘器。

(3)进步性能：

把这些部分直方图在图像的更大的范围内(我们把它叫区间或block)停止比照度归一化(contrast-normalized)，所采用的办法是：先计算各直方图在这个区间(block)中的密度，然后依据这个密度对区间中的各个细胞单元做归一化。经过这个归一化后，能对光照变化和阴影取得更好的效果。

(4)优点：

与其他的特征描绘办法相比，HOG有很多优点。首先，由于HOG是 在图像的部分方格单元上操作，所以它对图像几何的和光学的形变都能坚持很好的不变性，这两种形变只会呈现在更大的空间范畴上。其次，在粗的空域抽样、精密 的方向抽样以及较强的部分光学归一化等条件下，只需行人大致上可以坚持直立的姿态，能够允许行人有一些细微的肢体动作，这些细微的动作能够被疏忽而不影响 检测效果。因而HOG特征是特别合适于做图像中的人体检测的。

2、HOG特征提取算法的完成过程：

大约过程：

HOG特征提取办法就是将一个image(你要检测的目的或者扫描窗口)：

1)灰度化(将图像看做一个x,y,z(灰度)的三维图像)；

2)采用Gamma校正法对输入图像停止颜色空间的规范化(归一化)；目的是调理图像的比照度，降低图像部分的阴影和光照变化所形成的影响，同时能够抑止噪音的干扰；

3)计算图像每个像素的梯度(包括大小和方向)；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。

4)将图像划分红小cells(例如6*6像素/cell)；

5)统计每个cell的梯度直方图(不同梯度的个数)，即可构成每个cell的descriptor；

6)将每几个cell组成一个block(例如3*3个cell/block)，一个block内一切cell的特征descriptor串联起来便得到该block的HOG特征descriptor。

7)将图像image内的一切block的HOG特征descriptor串联起来就能够得到该image(你要检测的目的)的HOG特征descriptor了。这个就是最终的可供分类运用的特征向量了