HOG算法实现之路第一步

　　首先，HOG算法的全称为 Histogram of Oriented Gradient,其中文意思为：方向梯度直方图。这个算法名称就表明了算法的主要思想： 统计 有方向的 梯度（梯度是有方向的）的直方图 来作为特征 的描述，再进一步说，它通过计算和统计图像局部区域的梯度方向直方图来构成特征。本质是梯度的统计信息，而梯度主要存在于边缘的地方。其实 边缘提取 、LBP特征、SIFT特征 都是基于梯度的。

　　Hog特征结合SVM分类器已经被广泛应用于图像识别中，而该算法的是法国人Dalal在2005年提出的。（看到的许多经典算法都是国外人提出的，哎哎。。。）。我开始翻译这篇外文，然后把核心摘取出来贴在这里吧。

 　　HOG特征算法步骤：

                                      

第一步，输入图像

第二步，采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）（可由相机前端实现）。   目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；

                                                  

第三步，计算梯度。目的主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。

                        

第四步，将梯度投影到单元的梯度方向，并计算梯度直方图；目的是为局部图像区域提供一个编码。由0度到180度 分 9个区间进行 梯度方向投影。

第五步，将所有单元格在块上进行归一化；归一化能够更进一步对光照、阴影和边缘进行压缩，通常，每个单元格由多个不同的块共享，但它的归一化是基于不同块的，所以计算结果也不一样。因此，一个单元格的特征会以不同的结果多次出现在最后的向量中。我们将归一化之后的块描述符就称之为HOG描述符。

 

 

第六步，收集得到检测空间所有块的HOG特征。该步骤就是将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用。最终的特征向量 其实就是一个一维数组，里面存放了所以的特征。

第七步，线性SVM分类。

 

HOG特征参数配置： (以下单位为像素)

detectWindow：128 * 64  , 检测窗口大小。

Block：16 * 16。 4个Cell 组成一个 Block

Cell：8 * 8 。计算HOG特征的最小单元

BlockStrde: 8 * 8 。Block 在 检测窗口中的 扫描步长。

bins : 9。  在 0度 到 180度 分 9个区间 进行统计 梯度的方向数目。

 

Hog特征维数的计算

 每个block 有 4个 cell ,每个Cell 计算 9个 bin , 则一个block 有 4 * 9 = 36维数。 横向扫描 64/8 -1 = 7 次，纵向扫描 128/8 -1 = 15次，总共特征维数 = 15 * 7 * 36 = 3780维的特征。