資源描述：
《histogram of oriented gradients算法詳解》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、HistogramofOrientedGradients算法詳解目錄1.HOG算法簡(jiǎn)介22.HOG算法步驟62.1色彩和伽馬歸一化（colorandgammanormalization）62.2梯度的計(jì)算（Gradientcomputation）62.3構(gòu)建方向的直方圖(creatingtheorientationhistograms)72.4把細(xì)胞單元組合成大的區(qū)間(groupingthecellstogetherintolargerblocks)122.5區(qū)間歸一化（Blocknormalization）132.6SVM分類器（SVMclassifier）進(jìn)行分類143.HOG算法簡(jiǎn)單匯總
2、及實(shí)現(xiàn)173.1HOG流程簡(jiǎn)單匯總：173.2例圖lena圖：173.3HOG原理matlab代碼：184.HOG算法詳細(xì)分析及實(shí)現(xiàn)204.1HOGDescriptorinMATLAB204.2HOGPersonDetectorTutorial214.3GradientVectors264.4ImageDerivative304.5matlabcode345.DigitClassificationUsingHOGFeatures405.1DigitDataSet415.2UsingHOGFeatures425.3TraintheClassifier435.4TesttheClassifier4
3、45.5Results445.6Summary455.7References45675.8Appendix-Helperfunctions45參考文獻(xiàn)46附錄A:HOG特征提取matlab代碼46Code146本文包含HOG算法(方向梯度直方圖)的詳細(xì)解釋及特征描述子的計(jì)算matlab代碼；1.HOG算法簡(jiǎn)介方向梯度直方圖（HistogramofOrientedGradient,HOG）特征是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測(cè)的特征描述子。此方法使用了圖像的本身的梯度方向特征，類似于邊緣方向直方圖方法，SIFT描述子，和上下文形狀方法，但其特征在于其在一個(gè)網(wǎng)格密集的大小統(tǒng)一的方格單元
4、上計(jì)算，而且為了提高精確度使用了重疊的局部對(duì)比度歸一化的方法。HOGdescriptors是應(yīng)用在計(jì)算機(jī)視覺和圖像處理領(lǐng)域，用于目標(biāo)檢測(cè)的特征描述器。這項(xiàng)技術(shù)是用來計(jì)算局部圖像梯度的方向信息的統(tǒng)計(jì)值。這種方法跟邊緣方向直方圖（edgeorientationhistograms）、尺度不變特征變換（scale-invariantfeaturetransformdescriptors）以及形狀上下文方法（shapecontexts）有很多相似之處，但與它們的不同點(diǎn)是：HOG描述器是在一個(gè)網(wǎng)格密集的大小統(tǒng)一的細(xì)胞單元（densegridofuniformlyspacedcells）上計(jì)算，而且為了提
5、高性能，還采用了重疊的局部對(duì)比度歸一化（overlappinglocalcontrastnormalization）技術(shù)。這篇文章的作者NavneetDalal和BillTriggs是法國國家計(jì)算機(jī)技術(shù)和控制研究所FrenchNationalInstituteforResearchinComputerScienceandControl(INRIA)的研究員。他們?cè)谶@篇文章中首次提出了HOG方法。這篇文章被發(fā)表在2005年的CVPR上。他們主要是將這種方法應(yīng)用在靜態(tài)圖像中的行人檢測(cè)上，但在后來，他們也將其應(yīng)用在電影和視頻中的行人檢測(cè)，以及靜態(tài)圖像中的車輛和常見動(dòng)物的檢測(cè)。HOG描述器最重要的思想
6、是：在一副圖像中，局部目標(biāo)的表象和形狀（appearanceandshape）能夠被梯度或邊緣的方向密度分布很好地描述。具體的實(shí)現(xiàn)方法是：首先將圖像分成小的連通區(qū)域，我們把它叫細(xì)胞單元。然后采集細(xì)胞單元中各像素點(diǎn)的梯度的或邊緣的方向直方圖。最后把這些直方圖組合起來就可以構(gòu)成特征描述器。為了提高性能，我們還可以把這些局部直方圖在圖像的更大的范圍內(nèi)（我們把它叫區(qū)間或block）進(jìn)行對(duì)比度歸一化（contrast-normalized），所采用的方法是：先計(jì)算各直方圖在這個(gè)區(qū)間（block）中的密度，然后根據(jù)這67個(gè)密度對(duì)區(qū)間中的各個(gè)細(xì)胞單元做歸一化。通過這個(gè)歸一化后，能對(duì)光照變化和陰影獲得更好的效
7、果。與其他的特征描述方法相比，HOG描述器后很多優(yōu)點(diǎn)。首先，由于HOG方法是在圖像的局部細(xì)胞單元上操作，所以它對(duì)圖像幾何的（geometric）和光學(xué)的（photometric）形變都能保持很好的不變性，這兩種形變只會(huì)出現(xiàn)在更大的空間領(lǐng)域上。其次，作者通過實(shí)驗(yàn)發(fā)現(xiàn)，在粗的空域抽樣（coarsespatialsampling）、精細(xì)的方向抽樣（fineorientationsampling）以及較強(qiáng)
