关于车辆识别算法和行人识别算法特征提取.doc_算法的主要特征有哪些 - CSDN文库

车辆识别算法

需积分: 50 173 浏览量更新于2023-03-03 1 收藏 2.03MB DOC 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源推荐

（一）HOG 特征

1、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理中用来进行物体检测的特征描述子。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。Hog 特征结合 SVM 分类器已经

被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的

是，HOG+SVM 进行行人检测的方法是法国研究人员 Dalal 在 2005 的 CVPR

上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以

HOG+SVM 的思路为主。

（1）主要思想：

在一副图像中，局部目标的表象和形状（appearance and shape）能够被梯

度或边缘的方向密度分布很好地描述。（本质：梯度的统计信息，而梯度主要

存在于边缘的地方）。

（2）具体的实现方法是：

首先将图像分成小的连通区域，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可以构成

特征描述器。

（3）提高性能：

把这些局部直方图在图像的更大的范围内（我们把它叫区间或 block）进行对

比度归一化（contrast-normalized），所采用的方法是：先计算各直方图在

这个区间（block）中的密度，然后根据这个密度对区间中的各个细胞单元做

归一化。通过这个归一化后，能对光照变化和阴影获得更好的效果。

（4）优点：

与其他的特征描述方法相比，HOG 有很多优点。首先，由于 HOG 是在图像的

局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变

性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样、精细

的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直

立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略

而不影响检测效果。因此 HOG 特征是特别适合于做图像中的人体检测的。

%

2、HOG 特征提取算法的实现过程：

剩余63页未读，继续阅读

weixin_42859663

粉丝: 2
资源: 10

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈