姓名：徐娇 学号：17011210547
参考360百科
【嵌牛导读】在图像处理中，若要对图像进行特征提取，经常会用到HOG特征，下面我会通过本博客对HOG特征做一个简要的介绍。
【嵌牛鼻子】HOG特征
【嵌牛提问】HOG特征提取具体是如何实现的？它有什么优缺点？
【嵌牛正文】
HOG特征
一、HOG特征的简介
1、主要思想:
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。
2、实现方法:
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。
二、HOG特征的优缺点
1.优点：
HOG表示的是边缘（梯度）的结构特征，因此可以描述局部的形状信息；位置和方向空间的量化一定程度上可以抑制平移和旋转带来的影响；采取在局部区域归一化直方图，可以部分抵消光照变化带来的影响。由于一定程度忽略了光照颜色对图像造成的影响，使得图像所需要的表征数据的维度降低了。而且由于它这种分块分单元的处理方法，也使得图像局部像素点之间的关系可以很好得到的表征。
2.缺点：
描述子生成过程冗长，导致速度慢，实时性差；很难处理遮挡问题。由于梯度的性质，该描述子对噪点相当敏感。
三、HOG特征的提取与计算步骤
1．大概过程：
HOG特征提取方法就是将一个image（所要检测的目标或者扫描窗口）：
1）灰度化（将图像看做一个x,y,z（灰度）的三维图像）；
2）采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；
3）计算图像每个像素的梯度（包括大小和方向）；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。
4）将图像划分成小cells（例如6*6像素/cell）；
5）统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor（描述子）；
6）将每几个cell组成一个block（例如3*3个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。
7）将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。
2.HOG特征的具体提取步骤如下：
（1）灰度化（将图像看做一个x,y,z（灰度）的三维图像）；
（2）色彩和Gamma归一化
为了减少光照因素的影响（提高检测器对光照的鲁棒性），首先需要将整个图像进行归一化。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。
Gamma压缩公式：
Gamma=1，斜45°直线，不校正，输出=输入；
Gamma大于1，曲线下压，输出值小于输入值；
Gamma小于1，曲线上拱，输出值大于输入值；
比如可以取Gamma=1/2；
（3）计算图像梯度
计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。
图像平滑是指用于突出图像的宽大区域、低频成分、主干部分或抑制图像噪声和干扰高频成分，使图像亮度平缓渐变，减小突变梯度，改善图像质量的图像处理方法。
1）图像平滑：对于灰度图像，一般为了去除噪点，所以会先利用离散高斯平滑模板进行平滑，高斯函数在不同平滑的尺度下进行对灰度图像进行平滑操作，Dalal等实验表明在下，人体检测效果最佳（即不做高斯平滑），使得错误率缩小了约一倍。不做平滑操作的可能原因：图像是基于边缘的，平滑会降低边缘信息的对比度，从而减少图像中的信号信息。
2）梯度法求图像梯度：一阶微分处理一般对灰度阶梯有较强的响应，表示如下：
对于多元函数f(x,y)，在其坐标（x,y）上的梯度是通过如下二维列向量定义的：
因为模值的计算开销比较大，一般可以按如下公式近似求解：
PS：采用模板[-1,0,1]为例计算图像梯度以及方向，通过梯度模板计算水平和垂直方向的梯度分别如下：
其中，分别表示该像素点的水平，垂直梯度值。计算该像素点的梯度值（梯度强度以及梯度方向）：
对于梯度方向的范围限定，一般采用无符号的范围，故梯度方向可表示为：
图像中像素点(x,y)的梯度为：
最常用的方法是：首先用[-1,0,1]梯度算子对原图像做卷积运算，得到x方向（水平方向，以向右为正方向）的梯度分量gradscalx，然后用[1,0,-1]梯度算子对原图像做卷积运算，得到y方向（竖直方向，以向上为正方向）的梯度分量gradscaly。然后再用以上公式计算该像素点的梯度大小和方向。
（4）构建方向的直方图
1）HOG结构
通常使用的HOG结构大致有三种：矩形HOG（简称为R-HOG），圆形HOG和中心环绕HOG。它们的单位都是Block（即块）。Dalal的试验证明矩形HOG和圆形HOG的检测效果基本一致，而环绕形HOG效果相对差一些。
矩形HOG块的划分：一般一个块（Block）都由若干单元（Cell）组成，一个单元都有如干个像素点组成。
在每个Cell中有独立做梯度方向统计，从而以梯度方向为横轴的的直方图，梯度方向可取0度到180度或0度到360度，但dalal实验表明，对于人体目标检测0度~180度这种忽略度数正负级的方向范围能够取得更好的结果。然后又将这个梯度分布平均分成个方向角度（orientation bins），每个方向角度范围都会对应一个直方柱。
根据Dalal等人实验，在人体目标检测中，在无符号方向角度范围并将其平均分成9份（bins）能取得最好的效果，当bin的数目继续增大效果改变不明显，故一般在人体目标检测中使用bin数目为9范围0~180度的度量方式。
2) Block中各个参数的最终选取：
对于人体对象检测，块的大小为3×3个单元格，单元格的大小为6×6个象素时，检测效果是最好的，错误率约为10%左右。块的大小为2×2个单元格，单元格大小为8×8个象素时，也相差无几。6－8个象素宽的单元格，2－3个单元格宽的块，其错误率都在最低的一个平面上。块的尺寸太大时标准化的作用被削弱了从而导致错误率上升，而如果块的尺寸太小时，有用的信息反而会被过滤掉。
在实际应用中，在Block和Cell划分之后，对于得到各个像区域中，有时候还会进行一次高斯平滑，但是对于人体目标检测等问题，该步骤往往可以忽略，实际应用效果不大，主要还是去除区域中噪点，因为梯度对于噪点相当敏感。
3)对梯度方向的投影权重方式的选取：
细胞单元中的每一个像素点都为某个基于方向的直方图通道投票。
投票是采取加权投票的方式，即每一票都是带有权值的，这个权值是根据该像素点的梯度幅度计算出来。可以采用幅值本身或者它的函数来表示这个权值，实际测试表明:使用幅值来表示权值能获得最佳的效果，当然，也可以选择幅值的函数来表示，比如幅值的平方根、幅值的平方、幅值的截断形式等。细胞单元可以是矩形的，也可以是星形的。直方图通道是平均分布在0-180o(无向)或0-360o(有向)范围内。经研究发现，采用无向的梯度和9个直方图通道，能在行人检测试验中取得最佳的效果。
梯度大小是作为投影的权值的。例如说：这个像素的梯度方向是20-40度，然后它的梯度大小是2，那么直方图第2个bin的计数就不是加1，而是加2
（5）将细胞单元组合成大的区间（HOG特征向量归一化）
由于局部光照的变化以及前景-背景对比度的变化，使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。
归一化采取的办法是：把各个细胞单元组合成大的、空间上连通的区间。这样，HOG描述符就变成了由各区间所有细胞单元的直方图成分所组成的一个向量。这些区间是互有重叠的，这就意味着：每一个细胞单元的输出都多次作用于最终的描述器。
对block块内特征向量的归一化主要是为了使特征向量空间对光照，阴影和边缘变化具有鲁棒性。归一化是针对每一个block进行的，一般采用的归一化函数有以下四种：
在人体检测系统中进行HOG计算时一般使用L2-norm，Dalal的文章也验证了对于人体检测系统使用L2-norm的时候效果最好。
（6）收集HOG特征
然后把提取的HOG特征输入到SVM分类器中，寻找一个最优超平面作为决策函数。
四、R-HOG与C-HOG
R-HOG跟SIFT描述器（尺度不变特征变换（SIFT）包括一个特征检测器和一个特征描述子。特征检测器从一副图片中提取一些不受光照，视角等影响的特征区域。特征描述子就是用一个符号来简洁概要地表示区域特征。）看起来很相似，但他们的不同之处是:R-HOG是在单一尺度下、密集的网格内、没有对方向排序的情况下被计算出来;而SIFT描述器是在多尺度下、稀疏的图像关键点上、对方向排序的情况下被计算出来。另外，R-HOG是各区间被组合起来用于对空域信息进行编码，而SIFT的各描述器是单独使用的。
R-HOG区间大体上是一些方形的格子，它可以有三个参数来表征:每个区间中细胞单元的数目、每个细胞单元中像素点的数目、每个细胞的直方图通道数目。对于行人检测，最佳的参数设置为: 3*3细胞/区间、6*6像素/细胞、9个直方图通道。C-HOG区间有两种不同的形式，它们的区别在于:一个的中心细胞是完整的，一个的中心细胞是被分割的。经研究发现C-HOG的这两种形式都能取得相同的效果。C-HOG区间可以用四个参数来表征:角度盒子的个数、半径盒子个数、中心盒子的半径、半径的伸展因子。通过实验，对于行人检测，最佳的参数设置为:4个角度盒子、2个半径盒子、中心盒子半径为4个像素、伸展因子为2。此外，对于R-HOG，中间加一个高斯空域窗口是非常有必要的，但对于C-HOG，这显得没有必要。C-HOG看起来很像基于形状上下文的方法，但不同之处是:C-HOG的区间中包含的细胞单元有多个方向通道，而基于形状上下文的方法仅仅只用到了一个单一的边缘存在数。
五、HOG特征的总结
Dalal提出的Hog特征提取的过程：把样本图像分割为若干个像素的单元（cell），把梯度方向平均划分为9个区间 （bin），在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量，每相邻的4个单元构成一个块（block），把 一个块内的特征向量联起来得到36维的特征向量，用块对样本图像进行扫描，扫描步长为一个单元。最后将所有块的特征串联起来，就得到了人体的特征。至今虽然有很多行人检测算法，但基本都是以HOG+SVM的思路为主。
Example.对于64*128的图像而言，每16*16的像素组成一个cell，每2*2个cell组成一个块，因为每个cell有9个特征，所以每个块内有4*9=36个特征，以8个像素为步长，那么水平方向将有7个扫描窗口，垂直方向将有15个扫描窗口。也就是说，64*128的图片，总共有36*7*15=3780个特征。
