hog特征為什么可以用于行人識別能不能用于其他識別

hog描述子在opencv中為HOGDescriptor。

專注于為中小企業(yè)提供成都網(wǎng)站設計、網(wǎng)站建設服務,電腦端+手機端+微信端的三站合一,更高效的管理,為中小企業(yè)泰安免費做網(wǎng)站提供優(yōu)質(zhì)的服務。我們立足成都，凝聚了一批互聯(lián)網(wǎng)行業(yè)人才，有力地推動了上千企業(yè)的穩(wěn)健成長，幫助中小企業(yè)通過網(wǎng)站建設實現(xiàn)規(guī)模擴充和轉(zhuǎn)變。

2. 可以調(diào)用該描述子setSVMDetector方法給用于對hog特征進行分類的svm模型的系數(shù)賦值，這里的參數(shù)為HOGDescriptor::getDefaultPeopleDetector()時表示采用系統(tǒng)默認的參數(shù)，因為這些參數(shù)是用很多圖片訓練而來的。

3. 對輸入圖片進行行人檢測時由于圖片的大小不一樣，所以要用到多尺度檢測。這里是用hog類的方法detectMultiScale。參數(shù)解釋如下：

HOGDescriptor::detectMultiScale(const GpuMat img, vectorRect found_locations, doublehit_threshold=0, Size win_stride=Size(), Size padding=Size(), double scale0=1.05, int group_threshold=2)

該函數(shù)表示對輸入的圖片img進行多尺度行人檢測 img為輸入待檢測的圖片；found_locations為檢測到目標區(qū)域列表；參數(shù)3為程序內(nèi)部計算為行人目標的閾值，也就是檢測到的特征到SVM分類超平面的距離;參數(shù)4為滑動窗口每次移動的距離。它必須是塊移動的整數(shù)倍；參數(shù)5為圖像擴充的大小；參數(shù)6為比例系數(shù)，即滑動窗口每次增加的比例；參數(shù)7為組閾值，即校正系數(shù)，當一個目標被多個窗口檢測出來時，該參數(shù)此時就起了調(diào)節(jié)作用，為0時表示不起調(diào)節(jié)作用。

4. ?最后對檢測出來的目標矩形框，要采用一些方法處理，比如說2個目標框嵌套著，則選擇最外面的那個框。

5. ?因為hog檢測出的矩形框比實際人體框要稍微大些,所以需要對這些矩形框大小尺寸做一些調(diào)整。

extractHOGFeatures

features = extractHOGFeatures(I);

[features,validPoints] = extractHOGFeatures(I,Points);

[_,visualization] = extractHOGFeatures(I,_);

[_] = extractHOGFeatures(_,Name,Value);

其中，I為3-D彩色圖像或2-D灰度圖像，features為1xN的HOG描述子向量，N為描述子的長度，該描述子是輸入圖像區(qū)域的局部形狀信息編碼。當指定Points（同extractFeatures函數(shù)輸入Points）時，則獲取指定點附近的HOG描述子，visualization表示可用于任何可視化的函數(shù)的輸入?yún)?shù)，例如plot(visualization)，Name為用一對單引號包含的字符串，Value為對應Name的值。

Name Value

'CellSize'HOG單元(HOG cell)大小，默認值為[8,8]，為捕獲大尺度空間信息，可以增加‘CellSize'的取值

’BlockSize'塊中單元的大小，默認值為[2,2]，當取值較大時將降低抑制局部亮度變化的能力，當取值較小時，能夠抑制亮度變化

‘BlockOverlap'相鄰塊(block)之間的重疊HOG單元的個數(shù)，默認值為ceil(BlockSize/2)，該參數(shù)只在從區(qū)域(region)獲取HOG特征時有用。

’NumBins'方向直方圖分段(orientation histogram bins)的數(shù)目，默認值為9，必須為正整數(shù)，如果想要獲取精細的方向信息，該值可以設置大一些，但是將增加處理時間和HOG特征長度

‘UseSignedOrienation'默認值為false,當該值置為true時，方向直方圖中所取方向的范圍為[-180,180]，若置為false，方向的取值范圍為[0,180]，此時，方向角度小于0的將統(tǒng)計如+180bins中，利用帶符號的方向，可以區(qū)分區(qū)域中從light-to-dark和dark-to-light

【中級】圖像特征工程：HOG 特征描述符

英文原文：

邊翻譯邊學習

特征工程是機器學習算法領域重要的角色。這是進行最多次試驗的地方：從現(xiàn)有特征中設計新特征并提高我們模型的性能。世界上一些頂級數(shù)據(jù)科學家們依靠特征工程來提高他們在黑客馬拉松中的排行榜分數(shù)。我相信你甚至會在結(jié)構化數(shù)據(jù)上使用各種特征工程技術。

我們能否將此技術擴展到非結(jié)構化數(shù)據(jù)，比如圖像？對于計算機視覺愛好者來說，這是一個有趣的問題，我們將在本文中解釋它。準備好以特征提取的形式對圖像數(shù)據(jù)進行特征工程吧！

我假設你已經(jīng)閱讀了： 【初級】使用 Python 從圖像數(shù)據(jù)中提取特征

在本文中，我將向您介紹一種流行的圖像特征提取技術——定向梯度直方圖（ Histogram of Oriented Gradients 或 HOG）。我們將了解什么是 HOG 特征描述符，它的工作原理（算法背后的完整數(shù)學），最后，將會在 Python 中實現(xiàn)它。

下面的兩個圖像。你能區(qū)分圖像中的物體嗎？

我們可以清楚地分辨右圖有一只狗，左圖有一輛汽車。現(xiàn)在讓這個任務稍微復雜一點，識別下圖中顯示的物體：

我想你還是可以分辨出吧？圖1 有包含很多信息，比如物體的形狀、顏色、邊緣、背景等。而圖2 的信息相對少得多（只有形狀和邊緣），但足以區(qū)分兩個圖像。

我想你已經(jīng)對特征描述符有一些感覺了吧？在圖2 中，我們很容易區(qū)分對象，因為它具有識別對象所需的必要信息。這正是特征描述符的作用： 它是圖像的簡化表示，僅包含有關圖像的最重要信息 。

以下是一些最受歡迎特征描述符的：

在本文中，我們將重點介紹 HOG （定向梯度直方圖）特征描述符及其工作原理。讓我們開始吧！

HOG，是一種特征描述符，常用于從圖像數(shù)據(jù)中提取特征。它廣泛用于計算機視覺任務中的目標檢測。

讓我們看一下 HOG 與其他特征描述符不同的一些重要方面：

對此進行正式定義： HOG 特征描述符是計算圖像局部梯度方向的出現(xiàn)次數(shù) 。

我們現(xiàn)在應該對 HOG 特征描述符是什么有了一個基本的了解。是時候深入研究其背后的核心思想了。讓我們開始討論計算 HOG 的分步過程。

考慮以下尺寸 (180 x 280) 的圖像。讓我們詳細了解一下如何為該圖像創(chuàng)建 HOG 特征：

這是大多數(shù)人都非常熟悉的步驟。預處理數(shù)據(jù)是任何機器學習項目中的關鍵步驟，處理圖像時也不例外。

我們需要對圖像進行預處理并將寬高比降低到 1:2。圖像大小最好是 64 x 128。這是因為我們將把圖像分成 8 8 和 16 16 塊來提取特征。具有指定的大小 (64 x 128) 將使我們所有的計算變得非常簡單。事實上，這是 原始論文 中使用的確切值。

回到我們的例子，讓調(diào)整原圖像為 64 x 128。這是調(diào)整后的圖像：

下一步是計算圖像中每個像素的梯度。梯度是 x 和 y 方向的微小變化。這里將從圖像中取出一小塊并計算其梯度：

我們將獲得此區(qū)域的像素值。假設我們在給定的區(qū)域生成以下像素矩陣（此處顯示的矩陣僅用作示例，這些不是給定區(qū)域的原始像素值）：

這里突出顯示了像素值 85。首先確定 x 方向的梯度（或變化），我們需要從右側(cè)的像素值中減去左側(cè)的值。同樣，為了計算 y 方向的梯度，我們將從所選像素上方的像素值中減去下方的像素值。

因此，該像素在 x 和 y 方向上的梯度為：

這個過程會給我們兩個新矩陣——一個存儲 x 方向上的梯度，另一個存儲 y 方向上的梯度。這類似于使用大小為 1 的 Sobel Kernel。 當強度發(fā)生急劇變化時，例如邊緣周圍，幅度會更高 。

我們分別計算了 x 和 y 方向的梯度。對圖像中的所有像素重復相同的過程。下一步是使用這些值找到大小和方向。

使用我們在上一步中計算的梯度，我們現(xiàn)在將確定每個像素值的大小和方向。在這一步中，我們將使用畢達哥拉斯定理，如下圖所示：

梯度分為是水平和豎直，對于前面的示例，我們將 和 設為 11 和 8。應用勾股定理來計算總梯度幅度：

接下來計算其方向：

因此，角度的值將是：

計算結(jié)果是 36。對于每個像素值，我們都能計算出其梯度值和方向。我們需要使用這些梯度值和方向生成直方圖。

直方圖是顯示一組連續(xù)數(shù)據(jù)的頻率分布的圖。x 軸表示數(shù)據(jù)值，y 軸表示其頻率。在這里，我們將用x 軸表示角度，用y 軸表示頻率。

讓我們從最簡單的生成直方圖的方法開始。我們將獲取每個像素值，找到像素的方向并更新頻率表。還是討論圖三中的紅色像素 85。由于該像素的方向是 36，我們將在角度值 36 上添加一個數(shù)字，表示頻率：

對所有像素值做重復相同的操作，我們最終得到一個頻率表，表示角度和這些角度在圖像中的出現(xiàn)次數(shù)。此頻率表可用于生成 x 軸上的角度值和 y 軸上的頻率的直方圖。這是創(chuàng)建直方圖的一種方法。由于每個桶的是1，所以此處生成了180個大小相同的桶。

這種方法與前面的方法類似，不同之處在于這里的每個桶的大小為 20。因此，在這里得到的桶數(shù)為 9。同樣，對于每個像素，我們將檢查方向，并以 9 x 1 矩陣的形式存儲方向值的頻率。繪制這將為我們提供直方圖：

在這里，我們將像素梯度的貢獻添加到像素梯度任一側(cè)的 bin 中。更高的貢獻應該是對更接近方向的 bin 值。

在 HOG 特征描述符中創(chuàng)建的直方圖不是為整個圖像生成的。相反，圖像被分成 8×8 個單元格，并為每個單元格計算定向梯度的直方圖。通過這樣做，我們獲得了較小塊的特征（或直方圖），這些塊又代表了整個圖像。我們當然可以在這里將這個值從 8 x 8 更改為 16 x 16 或 32 x 32。如果我們將圖像分成 8×8 個單元格并生成直方圖，我們將為每個單元格得到一個 9 x 1 的矩陣。該矩陣是使用我們在上一節(jié)中討論的方法 3 生成的。

一旦我們?yōu)閳D像中的 8×8 塊生成了 HOG，下一步就是對直方圖進行歸一化。

我們在了解這是如何完成之前，首先了解為什么要這樣做很重要。盡管我們已經(jīng)為圖像的 8×8 單元創(chuàng)建了 HOG 特征，但圖像的梯度對整體照明很敏感。這意味著對于特定圖片，圖像的某些部分與其他部分相比會非常亮。我們無法從圖像中完全消除這一點。但是我們可以通過采用 16×16 塊對梯度進行歸一化來減少這種光照變化。這是一個可以解釋如何創(chuàng)建 16×16 塊的示例：

在這里，我們將組合四個 8×8 的單元格來創(chuàng)建一個 16×16 的塊。我們已經(jīng)知道每個 8×8 單元格都有一個 9×1 的直方圖矩陣。因此，我們將有四個 9×1 矩陣即一個 36×1 矩陣。為了標準化這個矩陣，我們將這些值中的每一個除以這些值的平方和的平方根進行歸一化，結(jié)果將是大小為 36×1 的歸一化向量。

我們現(xiàn)在處于為圖像生成 HOG 特征的最后一步。到目前為止，我們已經(jīng)為圖像的 16×16 塊創(chuàng)建了特征。現(xiàn)在，我們將結(jié)合所有這些來獲得最終圖像的特征。

您能猜出給定圖像的特征總數(shù)是多少嗎？我們首先需要找出一張 64×128 的圖像有多少這樣的 16×16 塊？我們將有 105 (7×15) 個 16×16 的塊。這 105 個塊中的每一個都有一個 36×1 的向量作為特征。因此，圖像的總特征將為 105 x 36×1 = 3780 個特征。我們現(xiàn)在將為單個圖像生成 HOG 特征，并驗證我們最終是否獲得相同數(shù)量的特征。

我們將看到如何在單個圖像上生成 HOG 特征，以及是否可以將其應用于更大的數(shù)據(jù)集。

如果不進行 resize，結(jié)果如下：

這時我們就提取出了對象識別時輸入到機器學習中的圖片HOG特征了。

在python怎么調(diào)用hog特征

1.對原圖像gamma校正，img=sqrt(img); 2.求圖像豎直邊緣，水平邊緣，邊緣強度，邊緣斜率。 3.將圖像每16*16（取其他也可以）個像素分到一個cell中。對于256*256的lena來說，就分成了16*16個cell了。 4.對于每個cell求其梯度方向直方圖。

用HOG對圖像進行特征提取，對于參數(shù)Params = [9 180 10 0 0]; 這幾個數(shù)都代表什么意思啊？？

C#開發(fā)語言中 params 是關鍵字，可以指定在參數(shù)數(shù)目可變處采用參數(shù)的方法參數(shù)。在函數(shù)的參數(shù)數(shù)目可變而執(zhí)行的代碼差異很小的時候很有用！

params關鍵字表示函數(shù)的參數(shù)是可變個數(shù)的,即可變的方法參數(shù),例如Console.WriteLine( "{0},{1} "，i,j); 就像DELPHI 里 WRITELN 函數(shù)一樣,用于表示類型相同，但參數(shù)數(shù)量不確定.

在方法聲明中的 params 關鍵字之后不允許任何其他參數(shù)，并且在方法聲明中只允許一個 params 關鍵字。

關于參數(shù)數(shù)組，需掌握以下幾點。

（1）若形參表中含一個參數(shù)數(shù)組，則該參數(shù)數(shù)組必須位于形參列表的最后；

（2）參數(shù)數(shù)組必須是一維數(shù)組；

（3）不允許將params修飾符與ref和out修飾符組合起來使用；

（4）與參數(shù)數(shù)組對應的實參可以是同一類型的數(shù)組名，也可以是任意多個與該數(shù)組的元素屬于同一類型的變量；

（5）若實參是數(shù)組則按引用傳遞，若實參是變量或表達式則按值傳遞。

（6）用法：可變的方法參數(shù)，也稱數(shù)組型參數(shù)，適合于方法的參數(shù)個數(shù)不知的情況，用于傳遞大量的數(shù)組集合參數(shù)；當使用數(shù)組參數(shù)時，可通過使用params關鍵字在形參表中指定多種方法參數(shù)，并在方法的參數(shù)表中指定一個數(shù)組，形式為：方法修飾符　返回類型　方法名（params　類型[]　變量名）

{

方法體

}

希望對你有用

當前題目：python中hog函數(shù),python hog特征提取
分享鏈接：http://chinadenli.net/article8/dsesdip.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站改版、ChatGPT、微信小程序、手機網(wǎng)站建設、App設計、建站公司

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)