HOG特征描述符：目标检测的导向梯度统计

HOG（Histogram of Oriented Gradients）是一种广泛应用于计算机视觉和图像处理领域的特征描述器，主要用于目标检测任务。它通过对局部图像梯度的方向信息进行统计分析，提供了一种有效的方式来提取图像特征。HOG的设计理念源于边缘方向直方图，但区别在于其采用了密集的、均匀间隔的细胞单元（dense grid of uniformly spaced cells）进行计算，并且利用了重叠的局部对比度归一化技术来增强特征的稳健性和鲁棒性。 HOG描述符的工作流程可以概括如下： 1. **图像分割**：将图像分解为一系列小的、连通的区域，即细胞单元（cells），每个单元捕捉局部图像特性。 2. **梯度或边缘方向计算**：对于每个细胞单元内的像素，计算其灰度值变化的方向，形成一个方向直方图，反映了该区域内梯度或边缘的方向分布。 3. **直方图合并**：将所有细胞单元的直方图组合成一个特征向量，构成HOG描述符，这一步体现了局部表象和形状信息的编码。 4. **局部对比度归一化**：为了对抗光照变化和阴影的影响，对特征进行块级对比度归一化。这涉及计算每个块内直方图的密度，然后对每个细胞的直方图进行归一化，确保特征的相对稳定性。 HOG方法的优点主要体现在以下几个方面： - **尺度不变性**：通过固定大小的细胞和归一化处理，使得特征对尺度变化不敏感。 - **光照和阴影鲁棒性**：通过对比度归一化，增强了特征对于环境光照变化的适应能力。 - **适用于多种目标检测**：最初应用在行人检测，后来扩展到车辆和常见动物的识别，具有广泛的适用性。 Navneet Dalal和Bill Triggs作为INRIA的研究员，在2005年的CVPR会议上发表了关于HOG的开创性工作，他们的贡献不仅限于理论层面，更在实际应用中展示了HOG描述符的有效性和实用性。随着深度学习的发展，虽然HOG不再是现代图像识别中的主导方法，但它仍然是许多传统计算机视觉算法的基础，并对后续工作产生了深远影响。