HOG技術(shù)

方向梯度直方圖（英語：Histogram of oriented gradient）

方向梯度直方圖描述子是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測的特征描述子。此方法使用了圖像的本身的梯度方向特征。此方法類似于邊緣方向直方圖（edge orientation histograms）方法，SIFT描述子，和上下文形狀方法，但其特征在于其在在一個(gè)網(wǎng)格密集的大小統(tǒng)一的方格單元（dense grid of uniformly spaced cells）上計(jì)算，而且為了提高精確度使用了重疊的局部對比度歸一化（overlapping local contrast normalization）的方法。

其作者Navneet Dalal和Bill Triggs是法國國家計(jì)算機(jī)技術(shù)和控制研究所（INRIA），他們在2005年的CVPR上首先發(fā)表了描述方向梯度直方圖的論文。在這篇論文里，他們著重將他們的算法放在靜態(tài)圖像的行人檢測問題上，之后他們也將他們的實(shí)驗(yàn)擴(kuò)展到了視頻中的人的檢測的和靜態(tài)圖像中的車輛和常見動物的檢測。

理論描述方向梯度直方圖描述子的核心思想是一幅圖像中的物體的表象和形狀可以被像素強(qiáng)度梯度或邊緣的方向分布很好地描述。其實(shí)現(xiàn)方法是先將圖像分成小的叫做方格單元連通區(qū)域；然后采集方格單元中各像素點(diǎn)的梯度方向或邊緣方向直方圖；最后把這些直方圖組合起來就可以構(gòu)成特征描述子。為了提高精確度，還可以把這些局部直方圖在圖像的更大的區(qū)間(block)中進(jìn)行對比度歸一化(contrast-normalized)，此方法通過先計(jì)算各直方圖在這個(gè)區(qū)間(block)中的密度，然后根據(jù)這個(gè)密度值對區(qū)間中的各個(gè)方格單元做歸一化。通過這個(gè)歸一化后，能對光照變化和陰影獲得更好的穩(wěn)定性。

與其他的特征描述方法相比，方向梯度直方圖(HOG)描述子有很多優(yōu)點(diǎn)。首先，由于HOG方法是在圖像的局部方格單元上操作，所以它對圖像幾何的和光學(xué)的形變都能保持很好的不變性，這兩種形變只會出現(xiàn)在更大的空間領(lǐng)域上。其次，在粗的空域抽樣、精細(xì)的方向抽樣以及較強(qiáng)的局部光學(xué)歸一化等條件下，只要行人大體上能夠保持直立的姿勢，可以容許行人有一些細(xì)微的肢體動作，這些細(xì)微的動作可以被忽略而不影響檢測效果。方向梯度直方圖方法是特別適合于做圖像中的行人檢測的。

算法和實(shí)現(xiàn) 梯度計(jì)算許多特征檢測的第一步都是要進(jìn)行圖像的預(yù)處理，如歸一化顏色值和gamma值，但如Dalal和Triggs指出的那樣，HOG描述子可以省略這個(gè)步驟，因?yàn)樗渲械拿枋鲎託w一化處理能達(dá)到同樣的效果。圖像預(yù)處理對最終效果的貢獻(xiàn)微薄。所以第一步就是計(jì)算梯度值。最通常用的方法就是簡單的應(yīng)用一個(gè)一維的離散的梯度模版分別應(yīng)用在水平和垂直方向上去。可以使用如下的卷積核進(jìn)行卷積：

Dalal和Triggs也測試了其他更加復(fù)雜的卷積核，例如3x3的索伯卷積核(索伯算子)和斜角卷積核，但是這些卷積核在行人檢測的實(shí)驗(yàn)中表現(xiàn)的都很差。他們還用高斯模糊進(jìn)行預(yù)處理，但是在實(shí)際運(yùn)用中沒有模糊反而會更好。

直方圖統(tǒng)計(jì)的方向單元劃分（Orientation binning）計(jì)算的第二步是建立分塊直方圖。每個(gè)塊內(nèi)的每個(gè)像素對方向直方圖進(jìn)行投票。每個(gè)塊的形狀可以是矩形或圓形的，方向直方圖的方向取值可以是0-180度或者0-360度，這取決于梯度是否有符號。Dalal和Triggs發(fā)現(xiàn)在人的檢測實(shí)驗(yàn)中，把方向分為9個(gè)通道效果最好。至于投票的權(quán)重，可以是梯度的幅度本身或者是它的函數(shù)。在實(shí)際測試中，梯度幅度本通常產(chǎn)生最好的結(jié)果。其它可選的方案是采用幅度的平方或開方，或者幅度的裁剪版本。

描述符塊為了要解釋照明和對比的改變，梯度強(qiáng)度必須要局部地歸一化，這需要把方格集結(jié)成更大、在空間上連結(jié)的區(qū)塊。HOG描述符是歸一化方格直方圖的元件的向量，這直方圖由所有區(qū)塊的區(qū)域而來。這些區(qū)塊通常會重疊，意味著每個(gè)方格不只一次影響了最后的描述符。兩個(gè)主要的區(qū)塊幾何存在著：一個(gè)是矩形的R-HOG區(qū)塊，另一個(gè)是圓形的C-HOG區(qū)塊。R-HOG區(qū)塊一般來說是多個(gè)方格子組成的，由三個(gè)參數(shù)表示：每個(gè)區(qū)塊有多少方格、每個(gè)方格有幾個(gè)像素、以及每個(gè)方格直方圖有多少頻道。在Dalal和Triggs的人檢測實(shí)驗(yàn)中，發(fā)現(xiàn)最優(yōu)的單元塊劃分是3x3或6x6個(gè)像素，同時(shí)直方圖是9通道。