快捷導(dǎo)航

opencv3/C++ HOG特征提取方式

更新時(shí)間：2019年12月11日 09:43:29 作者：阿卡蒂奧

今天小編就為大家分享一篇opencv3/C++ HOG特征提取方式，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

HOG特征

HOG(Histograms of Oriented Gradients)梯度方向直方圖

通過(guò)利用梯度信息能反映圖像目標(biāo)的邊緣信息并通過(guò)局部梯度的大小將圖像局部的外觀和形狀特征化．在論文Histograms of Oriented Gradients for Human Detection中被提出．

HOG特征的提取過(guò)程為:

Gamma歸一化；

計(jì)算梯度；

劃分cell

組合成block，統(tǒng)計(jì)block直方圖；

梯度直方圖歸一化；

收集HOG特征。

Gamma歸一化:

對(duì)圖像顏色進(jìn)行Gamma歸一化處理，降低局部陰影及背景因素的影響．

計(jì)算梯度:

通過(guò)差分計(jì)算出圖像在水平方向上及垂直方向上的梯度：

然后得到各個(gè)像素點(diǎn)的梯度的幅值及方向：

劃分cell

將整個(gè)窗口劃分成大小相同互不重疊的細(xì)胞單元cell（如8×8像素），計(jì)算出每個(gè)cell的梯度大小及方向．然后將每像素的梯度方向在0−180o0−180o 區(qū)間內(nèi)（無(wú)向：0-180，有向：0-360）平均分為9個(gè)bins，每個(gè)cell內(nèi)的像素用幅值來(lái)表示權(quán)值，為其所在的梯度直方圖進(jìn)行加權(quán)投票．

9bins:

如圖，不同數(shù)量的bins下的錯(cuò)誤率：

組合成block，統(tǒng)計(jì)block直方圖

將2×2個(gè)相鄰的cell組成大小為16×16的像素塊即block．依次將block大小的滑動(dòng)窗口從左到右從上到下滑動(dòng)，求其梯度方向直方圖向量．

如圖，不同大小的cell與不同大小的block作用下的效果對(duì)比：

梯度直方圖歸一化

作者對(duì)比了L2-norm、L1-norm、L1-sqrt等歸一化方法，發(fā)現(xiàn)都比非標(biāo)準(zhǔn)數(shù)據(jù)有顯著的改善．其中L2-norm和L1-sqrt效果最好，而L1-norm檢測(cè)效果要比L2-norm和L1-sqrt低5%．

如圖，不同的歸一化方法效果對(duì)比：

這樣通過(guò)歸一化能夠進(jìn)一步地對(duì)光照、陰影和邊緣進(jìn)行壓縮．

收集HOG特征

由于每個(gè)cell內(nèi)的梯度方向分成了9個(gè)bins,這樣每個(gè)細(xì)胞單元的HOG特征向量長(zhǎng)度是9．

這樣，對(duì)于大小為128×64大小的圖像，采用8*8像素的sell，2×2個(gè)cell組成的16×16像素的block，采用8像素的block移動(dòng)步長(zhǎng)，這樣檢測(cè)窗口block的數(shù)量有((128-16)/8+1)×((64-16)/8+1)=15×7．則HOG特征描述符的維數(shù)為15×7×4×9．

HOG的缺點(diǎn)：

速度慢，實(shí)時(shí)性差；難以處理遮擋問(wèn)題。

OpenCV應(yīng)用

利用HOG進(jìn)行行人檢測(cè)時(shí)有兩種用法：

1、采用HOG特征+SVM分類(lèi)器進(jìn)行行人檢測(cè)；

2、利用HOG+SVM訓(xùn)練自己的XML文件。

采用第一種方法，使用HOG特征結(jié)合SVM分類(lèi)器進(jìn)行行人檢測(cè)，簡(jiǎn)單示例：

#include <opencv2/opencv.hpp>
#include <opencv2/objdetect.hpp>
using namespace std;
using namespace cv;

int main()
{
 Mat src, dst;
 src = imread("E:/image/image/passerby.jpg",1);
 if (src.empty())
 {
 printf("can not load the image...\n");
 return -1;
 }
 dst = src.clone();
 vector<Rect> findrects, findrect;
 HOGDescriptor HOG;
 //SVM分類(lèi)器
 HOG.setSVMDetector(HOGDescriptor::getDefaultPeopleDetector());
 //多尺度檢測(cè)
 HOG.detectMultiScale(src, findrects, 0, Size(4,4), Size(0,0), 1.05, 2);
 //若rects有嵌套,則取最外面的矩形存入rect
 for(int i=0; i < findrects.size(); i++)
 {
 Rect rect = findrects[i];
 int j=0;
 for(; j < findrects.size(); j++)
  if(j != i && (rect & findrects[j]) == rect)
  break;
 if( j == findrects.size())
  findrect.push_back(rect);
 }
 //框選出檢測(cè)結(jié)果
 for(int i=0; i<findrect.size(); i++)
 {
 RNG rng(i);
 Scalar color = Scalar(rng.uniform(0,255), rng.uniform(0,255), rng.uniform(0,255));
 rectangle(dst, findrect[i].tl(), findrect[i].br(), color, 2);
 }

 imshow("src",src);
 imshow("dst",dst);
 waitKey();
 return 0;
}