HOG(Histogram of gradient)统计图像局部区域的梯度方向信息来作为该局部图像区域的表征。HOG特征具有以下几个特点:
(1)不具有旋转不变性(较大的方向变化),实际应用中不变性是通过采用不同旋转方向的训练样本;
(2)不具有尺度不变性,其尺度不变性是通过改变检测图像的大小来实现的;
关于提取HOG特征,记录一下几点:
1. 在实现HOG特征提取过程中,必须了解几个概念:cell(单元),block(块),detectWin(检测窗口),它们之间的关系是:检测窗口中可以划分为多个block,每个block中包含多个cell;每个cell能生成一个直方图,将一个block中所有的cell的直方图拼接在一起,则形成block的直方图(特征向量),最后将检测窗口中所有block的直方图拼接在一起,形成我们要回去的HOG特征向量,这个特征向量就可以导入到分类器中进行分类;
2. 整个过程主要分为两个步骤:(1)计算梯度图和梯度方向; (2)计算每个block的直方图;
3. 两个难点:(1)对于彩色图像,在计算梯度图需要选择幅值最大的通道;计算梯度方向时,需要根据选择的映射区间[0,pi]或[0,2*pi]; (2)计算每个block直方图时,涉及到三线性插值问题;下面代码中的缺陷:一是没有处理彩色图像;二是没有采用三线性插值的方式计算block的直方图。
具体的步骤及细节见代码:
1 function [hog_Feature] = myHOG(detectedImg, options) 2 % ------------------------------------------------------------------------- 3 % 实现HOG(Histogram of gradient)特征的提取过程 4 % 5 % detectedImg-- 检测窗口包含的图像(灰度图) 6 % options-- 参数结构体,包含许多参数设置: 7 % cellH, cellW:单元大小 8 % blockH, blockW:块大小 9 % winH, winW:检测窗口大小 10 % stride:块移动步长 11 % bins:直方图长度 12 % flag:梯度方向隐射区间(0:[0,pi],1:[0,2*pi]) 13 % epsilon: 用于做归一化的常量因子 14 % @hog_Feature-- 检测窗口图像对应的HOG特征向量,大小为1*M,其中 15 % M = ((winH-blockH)/stride+1)*((winW-blockW)/stride+1)... 16 % *(blockW/cellW)*(blockH/cellH) * bins 17 % 18 % HOG特征提取步骤: 19 % ---------------- 20 % step 1.由于Dalal在论文中提到色彩和伽马归一化步骤对最终的结果没有影响,故省略该步骤; 21 % 利用[-1,0,1]和[1,0,-1]‘分别计算图像的x方向和y方向的梯度(这里不采用Sobel或是其他 22 % 边缘算子来计算梯度,是因为它们对图像做了平滑处理后再求梯度,这样会丢失很多梯度信息) 23 % 然后计算每个像素点对应的梯度幅值和方向: 24 % ||grad|| = |grad_x| + |grad_y|(或||grad|| = sqrt(grad_x^2+grad_y^2)) 25 % gradOri = arctan(grad_y/grad_x) (gradOri属于(-pi/2,pi/2)) 26 % 在根据参数flag将每个像素点的梯度方向映射到对应区间中,如果flag为0则选择区间[0,pi] 27 % 位于(i,j)位置像素点的方向为: 28 % gradOri(i,j)=gradOri(i,j)<0?gradOri(i,j)+pi, gradOri(i,j); 29 % 如果flag为1选择区间为[0,2*pi],这时需要根据grad_x和grad_y的正负来判断: 30 % (1)grad_x>=0&&grad_y>=0(第一象限) gradOri(i,j)=arctan(grad_y/grad_x); 31 % (2)grad_x<0&&grad_y>=0(第二象限) gradOri(i,j)=arctan(grad_y/grad_x)+pi; 32 % (3)grad_x<0&&grad_y<0(第三象限) gradOri(i,j)=arctan(grad_y/grad_x)+pi; 33 % (4)grad_x>=0&&grad_y<0(第四象限) gradOri(i,j)=arctan(grad_y/grad_x)+2*pi; 34 % ------------------ 35 % step 2.为了便于理解,直接写上四层循环,外面两层循环定位block,里面两层定位cell; 36 % 一个block对应(blockH*blockW/(cellH*cellW)*bins的特征向量,每个cell对应1*bins 37 % 的直方图,计算block的直方图在函数calHist中完成,这里计算直方图需要注意两点: 38 % (1)计算cell直方图时,根据像素点梯度幅值进行权值投影,投影时采用软分配方式,即 39 % 采用插值的方式进行投影,根据梯度方向距离相邻两个区间的中心点的距离进行插值; 40 % (2)Dalal在论文中提到,对于R-HOG而言,处理直方图前,在整个block加上一个高斯窗口 41 % 这样可以降低block边界像素点的权重,直方图投票值由原先的幅值变为幅值和高斯乘积; 42 % (3)完成block直方图的计算后,需要在整个block范围内进行直方图归一化操作,归一化 43 % 方式有多种,这里默认采用L2-norm(hist=hist/sqrt(hist^2+epsilon^2)). 44 % ------------------ 45 % step 3.合并检测窗口中的所有block的向量(HOG特征向量) 46 % 47 % 注:整个过程还涉及到一些细节,比如导入图像尺度和设置的检测窗口大小不同时,需要 48 % 完成尺度缩放;在求图像梯度时,边界问题如何处理,是直接填充0还是复制边界,这里 49 % 直接填充0;最后一点就是在计算block直方图时,没有进行三维插值,即每个单元中的像 50 % 素点只对该单元有投票的权力,对当前block的其他单元没有影响。 51 % 52 % Author: L.L.He 53 % Time: 6/8/2014 54 % ------------------------------------------------------------------------- 55 tic; 56 assert(nargin>=1); 57 if ~exist(‘options‘, ‘var‘) 58 % 如果参数没有指定,则设置为如下默认值 59 options = struct; 60 options.cellH = 8; options.cellW = 8; 61 options.blockH = 16; options.blockW = 16; 62 options.winH = 64; options.winW = 128; 63 options.stride = 8; options.bins = 9; 64 options.flag = 1; options.epsilon = 1e-4; 65 end 66 % 处理输入的待检测图像 67 [r, c, d] = size(detectedImg); 68 if d ~= 1 69 % 需要转换为灰度图 70 detectedImg = rgb2gray(detectedImg); 71 end 72 detectedImg = double(detectedImg); 73 if r~=options.winH && c~=options.winW 74 % 根据检测窗口的大小对输入图像进行尺度缩放(采用双线性插值) 75 detectedImg = imresize(detectedImg, [options.winH options.winW],... 76 ‘bilinear‘); 77 end 78 79 % step 1--采用1-D差分卷积核计算x方向和y方向的梯度(幅值和方向) 80 mask = [-1, 0, 1]; 81 [grad, gradOri] = calGrad(detectedImg, mask, options.flag); 82 83 % 根据block的大小计算高斯核 84 sigma = min(options.blockH, options.blockW)*0.5; 85 sigma_2 = sigma.^2; 86 [X, Y] = meshgrid(0:options.blockW-1,0:options.blockH-1); 87 X = X - (options.blockW-1)/2; 88 Y = Y - (options.blockH-1)/2; 89 gaussWeight = exp(-(X.^2+Y.^2)/(2*sigma_2)); 90 91 % 创建一个三维矩阵存放所有block的直方图 92 r_tmp = (options.winH-options.blockH)/options.stride+1; 93 c_tmp = (options.winW-options.blockW)/options.stride+1; 94 b_tmp = options.bins *(options.blockH*options.blockW)/... 95 (options.cellH*options.cellW); 96 blockHist = zeros(r_tmp, c_tmp, b_tmp); 97 98 % step 2--计算检测窗口中每个block的直方图(HOG特征向量) 99 for i=1:options.stride:(options.winH-options.blockH+1) 100 for j=1:options.stride:(options.winW-options.blockW+1) 101 block_grad = grad(i:i+options.blockH-1,j:j+options.blockW-1); 102 block_gradOri = gradOri(i:i+options.blockH-1,j:j+options.blockW-1); 103 % 计算单个block的直方图(投票值为梯度幅值和高斯权重的乘积),并进 104 % 进行归一化处理 105 block_r = floor(i/options.stride)+1; 106 block_c = floor(j/options.stride)+1; 107 blockHist(block_r,block_c,:) = calHist(block_grad.*gaussWeight, ... 108 block_gradOri, options); 109 end 110 end 111 112 % step 3--将所有block的直方图拼接成一维向量作为检测窗口的HOG特征向量 113 hog_Feature = reshape(blockHist, [1 numel(blockHist)]); 114 toc; 115 end 116 117 % ========================================================================= 118 function [grad, gradOri] = calGrad(img, mask, flag) 119 % ------------------------------------------------------------------------- 120 % 利用指定的差分卷积核计算x方向和y方向的梯度(包括幅值和方向) 121 % img-- 源图像 122 % mask-- 计算x方向梯度的差分卷积核(y方向的卷积核是转置后取反) 123 % flag-- 梯度方向隐射区间标识 124 % @grad-- 梯度幅值 125 % @gradOri-- 梯度方向 126 % ------------------------------------------------------------------------- 127 assert(nargin==3); 128 xMask = mask; 129 yMask = -mask‘; 130 grad = zeros(size(img)); 131 gradOri = zeros(size(img)); 132 grad_x = imfilter(img, xMask); 133 grad_y = imfilter(img, yMask); 134 % 计算梯度幅值和方向角 135 grad = sqrt(double(grad_x.^2 + grad_y.^2)); 136 if flag == 0 137 % 将梯度方向映射到区间[0,pi] 138 gradOri = atan(grad_y./(grad_x+eps)); 139 idx = find(gradOri<0); 140 gradOri(idx) = gradOri(idx) + pi; 141 else 142 % 将梯度方向映射到区间[0,2*pi] 143 % 第一象限 144 idx_1 = find(grad_x>=0 & grad_y>=0); 145 gradOri(idx_1) = atan(grad_y(idx_1)./(grad_x(idx_1)+eps)); 146 % 第二(三)象限 147 idx_2_3 = find(grad_x<0); 148 gradOri(idx_2_3) = atan(grad_y(idx_2_3)./(grad_x(idx_2_3)+eps)) + pi; 149 % 第四象限 150 idx_4 = find(grad_x>=0 & grad_y<0); 151 gradOri(idx_4) = atan(grad_y(idx_4)./(grad_x(idx_4)+eps)) + 2*pi; 152 end 153 end 154 % ========================================================================= 155 156 % ========================================================================= 157 function hist = calHist(block_grad, block_gradOri, options) 158 % ------------------------------------------------------------------------- 159 % 计算单个block的直方图(它由多个cell直方图拼接而成),并归一化处理 160 % block_grad-- block区域对应的梯度幅值矩阵 161 % block_gradOri-- block区域对应的梯度方向矩阵 162 % options-- 参数结构体,可以得到block中有多少个cell 163 % ------------------------------------------------------------------------- 164 bins = options.bins; 165 cellH = options.cellH; cellW = options.cellW; 166 blockH = options.blockH; blockW = options.blockW; 167 assert(mod(blockH,cellH)==0&&mod(blockW,cellW)==0); 168 hist = zeros(blockH/cellH, blockW/cellW, bins); 169 % 每个bin对应的角度大小(如果bins为9,每个bin为20度) 170 if options.flag == 0 171 anglePerBin = pi/bins; 172 correctVar = pi; % 用来修正currOri为负的情况 173 else 174 anglePerBin = 2*pi/bins; 175 correctVar = 2*pi; 176 end 177 halfAngle = anglePerBin/2; % 后面要用到先计算出来 178 for i = 1:blockH 179 for j=1:blockW 180 % 计算当前位置(i,j)属于的单元 181 cell_r = floor((i-1)/cellH)+1; 182 cell_c = floor((j-1)/cellW)+1; 183 184 % 计算当前像素点相连的两个bin并投票 185 currOri = block_gradOri(i,j) - halfAngle; 186 % 为了将第一个bin和最后一个bin连接起来,视0度和180度等价 187 if currOri <= 0 188 currOri = currOri + correctVar; 189 end 190 % 计算该像素点梯度方向所属的两个相连bin的下标 191 pre_idxOfbin = floor(currOri/anglePerBin) + 1; 192 pro_idxOfbin = mod(pre_idxOfbin,bins) + 1; 193 % 向相邻的两个bins进行投票(到中心点的距离作为权重) 194 center = (2*pre_idxOfbin-1)*halfAngle; 195 dist_w = (currOri + halfAngle-center)/anglePerBin; 196 hist(cell_r,cell_c,pre_idxOfbin) = hist(cell_r,cell_c,pre_idxOfbin)... 197 + (1-dist_w)*block_grad(i,j); 198 hist(cell_r,cell_c,pro_idxOfbin) = hist(cell_r,cell_c,pro_idxOfbin)... 199 + dist_w*block_grad(i,j); 200 end 201 end 202 % 将每个cell的直方图合并(拼接一维向量) 203 hist = reshape(hist, [1 numel(hist)]); 204 % 归一化处理(默认选择L2-norm,可以用其他规则替代) 205 hist = hist./sqrt(hist*hist‘+ options.epsilon.^2); 206 end 207 % =========================================================================
原文:http://www.cnblogs.com/Happyhe/p/3895993.html