OpenCV3 C++实现HOG特征提取详解

本文档主要介绍了OpenCV 3版本下使用C++进行HOG（Histograms of Oriented Gradients，梯度方向直方图）特征提取的方法。HOG是一种用于计算机视觉中的目标检测技术，它通过量化图像局部区域的梯度方向和大小信息，实现对物体形状和纹理的描述，尤其适用于行人检测等领域。 首先，文章强调了Gamma归一化步骤，这是为了减少图像中局部阴影和背景因素对特征提取的影响，确保特征的鲁棒性。通过对图像的颜色进行非线性变换，使得图像在强度上更加均匀。 接下来，计算梯度是HOG特征提取的核心环节。通过水平和垂直方向的差分操作，获取每个像素点的梯度幅值和方向。这些梯度信息被分配到预定义的区间（0-180度或0-360度，取决于是否考虑方向）的9个bins中，每个bin的权重由该像素的梯度幅值决定。 划分cell后，将相邻的细胞（通常是8x8像素大小）组成16x16像素的block，通过滑动窗口的方式逐个计算每个block的梯度方向直方图。不同大小的cell和block对最终特征提取的效果有着显著影响，较大的cell和block有助于捕捉更大的空间结构，但可能会损失细节信息。 在直方图统计阶段，归一化是一个关键步骤。作者比较了L2-norm、L1-norm和L1-sqrt等归一化方法，结果显示L2-norm和L1-sqrt效果较好，而L1-norm虽然简单但性能略逊。归一化有助于消除光照、阴影和边缘带来的差异，提高特征的稳定性。 最后，每个cell的梯度方向信息转换成一个9维的HOG特征向量，具体长度取决于cell和block的大小。对于一个128x64的图像，如果使用8x8像素的cell和2x2cell组成的block，那么特征向量长度将是9。 本文提供了OpenCV 3中C++实现HOG特征提取的详细步骤，包括预处理、梯度计算、cell和block的划分、直方图统计以及归一化处理，这对于理解和使用HOG算法进行目标检测和识别具有很高的实用价值。