特徵描述子之HOG運算元_影像處理

HOG是一個比較理想的描述邊緣、圖形資訊的運算元了，它能夠有部分抗光照變化能力，但是不具備旋轉不變性和尺度不變性。
HOG運算元在檢測邊緣分明的目標時有較好的效果，比如與SVM結合起來做行人檢測...網上對於HOG運算元原理分析的文章比比皆是，本人也是現學現賣，班門弄斧了。

HOG描述子的提取步驟：

①拉低映像亮度
拉低映像亮度的作用不僅僅是為了減少陰影和光照的影響，也淡化了次級的邊緣，便於目標外形輪廓的提取。
拉低映像亮度採用伽馬壓縮方法，即對每個色彩通道分別做開平方運算或者求Log。

②求取各像素點梯度向量

提取梯度向量的工作大家應該都信手拈來了吧，用梯度運算元([-1,0,1]）分別做水平和垂直方向的卷積，在數學意義上也就是分別求取映像x,y方向的偏導，將偏導的平方和開平方即可得到改點的梯度幅值，兩個偏導比值的arctan即為該梯度的方向。HOG運算元會分別計算三個通道的梯度，選取其中幅值最大的作為該點的梯度向量。

梯度幅值及方向計算公式：

③統計cell
將映像分割為N*N大小的像素單元（cell），並將梯度方向均分為9個區間(bin)（360/9=40），之後對cell中的梯度向量在各bin的區間內做長條圖統計，即可得到該cell的梯度方向分布，它是一個9維的特徵向量，接著將相鄰的2*2個cell組成一個block,將它們的特徵向量串聯起來得到一個36維的特徵向量，該向量即為HOG特徵向量。block在全圖的掃描步長為1個cell，也cell是block間共用的，一個cell並不唯一屬於一個block。

所以，HOG特徵向量便是一個block所描述的梯度特徵向量。