HOG特征提取：计算梯度与图像处理

"该资源是一份关于HOG特征提取的PPT，主要讲解了如何计算图像的梯度以及HOG特征的提取过程，包括图像预处理、梯度计算、单元格梯度投影和对比度归一化等步骤，用于人体检测等计算机视觉任务。" 在计算机视觉领域，HOG（Histograms of Oriented Gradients，定向梯度直方图）是一种强大的特征提取方法，尤其在行人检测方面表现出色。该特征描述符由Navneet Dalal和Bill Triggs在2005年的CVPR会议上提出。HOG特征主要依赖于图像中的梯度信息，因为梯度往往存在于图像的边缘和显著纹理中，这些信息对于区分物体轮廓和纹理至关重要。 1. **预处理**： 在提取HOG特征前，通常会对图像进行预处理以减少光照等因素的影响。这包括将彩色图像转换为灰度图像，以减小颜色信息的干扰。此外，还会使用Gamma校正来压缩图像的局部亮度，使得阴影和光照变化对图像的影响降低。Gamma压缩公式表示为：`I_{xy}^(gamma) = I_{xy}^{1/gamma}`，其中`gamma`通常取1/2。 2. **计算梯度**： 接下来，计算图像的一阶梯度以获得图像的强度变化信息。梯度大小可以通过分别在x和y方向上求导得到，即`(dI/dx, dI/dy)`，其模长表示为`R_{xy} = sqrt((dI/dx)^2 + (dI/dy)^2)`，梯度方向`Ang_{xy} = arccos(dI/dx / R_{xy})`，这有助于捕捉图像的边缘和轮廓信息，并减弱光照变化的影响。 3. **单元格与直方图**： 图像被划分为一系列的小单元格（例如8*8像素），每个单元格内部所有像素的梯度信息会被整合到一个一维直方图中。这个直方图记录了不同方向的边缘频率，通常采用9个方向（每40度一个）来平分360度。 4. **对比度归一化**： 为了增强特征的鲁棒性，会进行对比度归一化。这是通过将相邻的块（如2*2单元格的块）内的直方图进行归一化来实现的，可以减轻局部光照、阴影和边缘的影响。每个块的HOG描述符经过归一化后，会多次出现在最终的特征向量中，形成多个描述符版本，提高了特征的辨别力。 HOG特征提取的整个流程结合了图像的局部细节和全局结构，通过这些经过精心设计的特征，可以有效地识别和描述图像中的物体，尤其是人类的形态，广泛应用于行人检测、姿态估计等计算机视觉任务。