图像识别中人体检测的HOG特征提取方法解析

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。HOG特征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。

在一副图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。其本质为：梯度的统计信息，而梯度主要存在于边缘的地方

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。

实现方法：

2、首先将图像分成小的连通区域，这些连通区域被叫做细胞单元。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符。

3、性能提高：

将这些局部直方图在图像的更大的范围内（叫做区间）进行对比度归一化，可以提高该算法的性能，所采用的方法是：先计算各直方图在这个区间中的密度，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。

因此HOG特征是特别适合于做图像中的人体检测的 。

1、色彩和伽马归一化。

A）、什么是图像的归一化

图像归一化是指对图像进行了一系列标准的处理变换，使之变换为一固定标准形式的过程，该标准图像称作归一化图像。

这样可以减少光照因素的影响

2、计算图像梯度

计算图像横坐标和纵坐标方向的梯度，计算每个像素位置的梯度方向值；

从原始图像当中抽象出来的数据图像数字符号等等的这些标记称为图像特征。

唯一性，完整性，几何变换不变性，名感性，抽象性

运用图像分割的方法，进行处理成为

1） 面积

2） 位置为图像执行的位置，图像的之心的计算法方法是

位置为质心所在的位置

为转动惯量最小的那个轴，使得所有的点距离该轴的距离的欧氏距离最小。

使用链码表示物体的边界

链码就是用来表示目标物体边界上的点的数值序列，可以结婚时呢个存储信息，而且可以准确的去顶物体的一些信息。

链码就是用来表示目标物体边界上的点的数值序列，可以结婚时呢个存储信息，而且可以准确的去顶物体的一些信息。

什么是链码表

原链码：

归一化链码：

原链码具有平移不变性，但是当起点不同时候，会有不同的链码，所以要使用归一化链码，确定那个起始点，使得链码的存储数据最小。

差分码：

由于归一化链码不具有旋转不变性，于是定义了差分链码。

傅里叶描述子（傅里叶变换的一个作用就是使得在信息量不发生变化的情况下将数据的表达形式发生变化，例如卷积，就是将数据从以为变化到二维空间当中）。

采用傅里叶描述的一个优点是讲二维问题转化为一维问题，

使用傅里叶描述子的方法是：省略后面的n-m个点。

除此之外还有偏心度。

什么叫做矩：

矩在统计学中可以表征随机变量的分布，而在力学中用于表征特征物质的分布。

二值图是一种二维密度的分布函数。

二维矩不变理论p+q阶矩的定义：

P+q阶矩的定义

其中，x拔和y拔是图像的灰度的中心点。

直方图特征

数字图像可以看作是一个二维随机过程的一个样本，用联合该类分布来描述。

例如：图像灰度直方图可以描述图像的灰度分布情况，（图像的灰度直方图就是使用概率分布来表述这些特征在图像中的分布的情况。）

B表示了灰度级别，该灰度b在图像中出现的频率P（b）m表示了图像中的总像素数目。N（b）表示像素为灰度值b的数目。

P（b）表示了区域的概率密度函数。

直方图给出了灰度图像额全局描述。在实际当中使用从直方图中提取出来的一阶统计测度。来区别类别间的特征差异

有均值，方差，能量，熵、偏度

偏度：

数据集关于中心点u分布的对称情况。

如果大于零，则表示图像像素偏于中心点的右边。

在图像处理领域当中，均值u反应图像的平均亮度，方差反应图像灰度级分布的分散性。但是这两个值容易受到图像采样情况的影响。 所以应该对他图像进行归一化处理。。使得所有图像中的所有图像都具有相同的均值和方差。 能量是灰度分布对于原点的二阶矩，如果图像灰度值的等概率分布，则能量最小，熵是图像中信息量多少的反应，对于等概率分布，熵最大。