OpenCV3 C++实现HOG特征提取详解与步骤

OpenCV 3中的C++ HOG特征提取方法是一种广泛应用在计算机视觉领域的重要技术，它基于Histograms of Oriented Gradients（梯度方向直方图）来识别图像中的目标。HOG最初由Dalal和Triggs在2005年的论文《Histograms of Oriented Gradients for Human Detection》中提出，特别适用于行人检测，因为它能有效捕捉物体的边缘信息并量化形状特征。 HOG特征提取过程包括以下几个步骤： 1. **Gamma归一化**：这是一种预处理步骤，通过调整图像的颜色分布，减少局部阴影和背景对特征提取的影响，使得图像在后续处理中更加均匀。 2. **计算梯度**：使用图像的差分算子计算水平和垂直方向上的梯度，得到每个像素点的梯度幅值和方向。这一步骤有助于突出图像的边缘和纹理信息。 3. **划分cell**：将图像划分为大小相同的、不重叠的cell，通常选择8x8像素的单元格，以便于局部特征的计算。每个cell的梯度信息会被转换为方向直方图，其中每个像素的梯度方向被分为0-180度或0-360度的9个bin（区间），并根据梯度幅值赋予权重。 4. **组合成block**：将相邻的cell组合成16x16像素的block，形成更大的特征区域。滑动窗口方法用来计算每个block的梯度方向直方图。 5. **梯度直方图归一化**：通过L2-norm、L1-norm、L1-sqrt等归一化方法，如L2-norm和L1-sqrt效果最佳，可以减少光照、阴影和边缘变化对特征向量的影响，提升特征的稳定性。 6. **收集HOG特征**：每个cell的HOG特征向量长度为9，因为每个cell有9个梯度方向bin。对于一个128x64的图像，如果使用8x8的cell和2x2的block，那么将生成15x7个检测窗口block，从而得到的HOG特征描述符具有较高的维度。 HOG特征提取在OpenCV中是一种强大的工具，它通过对图像局部梯度的统计分析，提供了一种相对鲁棒的方式来表达图像内容，广泛应用于目标检测、人脸识别等场景。通过理解并掌握这一过程，开发者能够更好地利用OpenCV实现各种复杂的计算机视觉任务。