HOG（Histograms of Oriented Gradients）用于目标定位检测
HOG（Histograms of Oriented Gradients）用于目标定位检测：视频链接：
视频：http://pan.baidu.com/s/1mi1LFFM
录制的视频是算法底层原理讲解，底层代码实现，方便大家真正掌握算法实质，开发出更加出色的算法。录制视频的初衷是：避免读者朋友利用大把时间学习已有常见算法，本系列视频旨在让读者朋友快速深入了解这些常见算法原理，有更多的时间去研究更加高大上算法（价值）。
具体链接在halcom.cn论坛，联系人QQ：3283892722
该论坛是一个学习交流平台，我会逐一的和大家分享学习。
欢迎大家录制视频，你可在论坛进行打赏分享。
视频专用播放器：http://halcom.cn/forum.php?mod=viewthread&tid=258&extra=page%3D1
方向梯度直方图（Histogram of Oriented Gradient, 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。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。
HOG特征提取算法的实现过程（图像目标定位检测）：
1）灰度化，如果是彩色图像，采用img = rgb2gray(img)灰度化；Gray = 0.3*R+0.59*G+0.11*B;
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；也可以简便地直接采用 img = sqrt(img);注意：当构建模板时，没有进行Gamma校准，则检测时，也不应该进行Gamma校准。
3）计算图像每个像素的梯度（包括赋值和相位）；主要是为了捕获轮廓信息，相位保证图像信息的特征唯一性。
滤波掩膜如[-1,0,1]，具体看sobel、canny、prewitt等（MATLAB图像滤波去噪分析及其应用）
mag = sqrt( dx^2 + dy^2 )
phase = atan2(dy, dx)
dx为水平梯度，dy为垂直梯度；
4）将图像划分成num_bins个cells（在这里，选择每个cell的大小为图像大小，每个cell图像由不同角度成分构成）；num_bins=9 % 平分360度5）统计每个cell的梯度方向直方图（一般cell设为9个，将360度9等分，求解每等分角度下的梯度方向直方图），即可形成每个cell的descriptor；All_cond = mag_cond & phase_cond & (phase >= min_orientation) & (phase < max_orientation);mag_cond、phase_cond分别为幅值mag、相位phase的二值化图像；min_orientation、max_orientation角度区间，9等分，就有9个区间；All_cond大小与原图像等大。6）将每个cell分割为N个block（例如8*8的block，一般为图像的1/8），每个block为cell图像的扫描块（互不重叠），对所有block的特征分别求和，再reshape即得到cell图像的HOG特征descriptor。
All_cond_blocks = im2col(All_cond, , 'distinct');All_cond_blocks = reshape(sum(All_cond_blocks), hog_height, hog_width);7）归一化统计的HoG特征；
利用构建的模板图像的HoG特征，就可以在测试图像中进行查找匹配了。
1）读取测试图像；
2）计算测试图像的HoG特征；
3）将每个梯度方向的HoG特征分别于模板的HoG特征分别卷积，再相加，得到response；
response = zeros(hog_height, hog_width);
for i=1:num_bins
response = response + conv2(hog_test(:,:,i), template(:,:,i), 'same');
end4）求解response的最大值对应的坐标信息x,y，就是测试图像最相似的目标区域；
5）标记测试图像的区域即可。
主程序为：clc,clear,close all
warning off
load('template_images_pos.mat');% 正样本模板图像
load('template_images_neg.mat');% 负样本模板图像
Itest = imread('../Images/test5.jpg');
if size(Itest,3)>1
Itest = rgb2gray(Itest);
end
if ~isfloat(Itest)
Itest = im2double(Itest);
end
% Gamma矫正
Itest = sqrt(Itest+0.00000001);
% figure,imshow(Itest)
num_objects = 1;% 找最近似的一个目标
% 构建目标模板
template = hog_pos(template_images_pos);
% 目标HoG检测
= HoG_detect(Itest,template,num_objects);
% 绘图
draw_detection(Itest, num_objects, x, y);计算每个目标模板的HoG特征的 平均值和
function template = hog_pos(template_images_pos)
% 计算每个目标模板的HoG特征的 平均值和
image_size = size(template_images_pos{1});
% num_bins = 9
template_size = ;
template = zeros( template_size );
for i=1:size(template_images_pos,2)% 正样本模板的个数
template = template + HoG_feature( template_images_pos{i} );% 累加
end
template = template./ size(template_images_pos,2);% 取平均的操作HoG特征计算（该算子类比于LBP算子，区别于HoG特征分类，HoG目标定位采用整幅图直接切块处理，HoG特征分类时，采用16x16块进行8x8blocks处理，其实是相似的）：function phaseHist = HoG_feature(Itest)
% HoG特征, 对每一幅图像，求解9个角度范围的特征
if size(Itest,3)>1
Itest = rgb2gray(Itest);
end
if ~isfloat(Itest)
Itest = im2double(Itest);
end
% 求幅值和相位
= mygradient(Itest);
= size(Itest);
hog_height = ceil(height/8);
hog_width = ceil(width/8);
% 二值化
mag_cond = im2bw(mag);
phase_cond = phase ~= 0.0;
num_bins = 9; % 平分360度
phaseHist = zeros(hog_height, hog_width, num_bins );
% 计算每一个cell
for i=1:num_bins
min_orientation = -pi + (i-1)*2*pi/num_bins;
max_orientation = -pi + i*2*pi/num_bins;
All_cond = mag_cond & phase_cond & (phase >= min_orientation) & (phase < max_orientation);
% 计算8x8的block块，整个All_cond图像进行8x8块不重叠扫描，不够的区域填充0
% im2col作用是： If A = , where each Aij is M-by-N, then B = .
All_cond_blocks = im2col(All_cond, , 'distinct');
% 对每一个block求和，再reshape回来
All_cond_blocks = reshape(sum(All_cond_blocks), hog_height, hog_width);
phaseHist(:,:,i) = All_cond_blocks;
end
%% 归一化操作
phaseHist_sum = sum(phaseHist,3);
phaseHist_sum = phaseHist_sum + (phaseHist_sum==0);
phaseHist_sum_norm = zeros(hog_height, hog_width, num_bins );
for i=1:num_bins
phaseHist_sum_norm(:,:,i) = phaseHist_sum;
end
phaseHist = phaseHist./phaseHist_sum_norm;
HoG_detect算子：
function = HoG_detect(Itest,template,num_objects)
% Itest:输入的待检测图像（原始图像）
% template：模板HoG特征图像
% num_objects找最近似的目标个数
% x,y 输出的目标检测位置坐标
% score：相似度得分
hog_test = HoG_feature( Itest );
= size(hog_test);
template = rot90(template,2);% 逆时针旋转2*90度
response = zeros(hog_height, hog_width);
for i=1:num_bins
response = response + conv2(hog_test(:,:,i), template(:,:,i), 'same');
end
% 最大得分的一个目标
% = find( response == max(max( response )) );
% 网格化划分，灰度图可以显示为一个3D图
= meshgrid(1:hog_width,1:hog_height);
columnVector_response = ;
% -3表示按照第3列，降序排列
sorted_response = sortrows(columnVector_response, -3);
% 输出结果的初始化
x = zeros(1,num_objects);
y = zeros(1,num_objects);
score = zeros(1,num_objects);
num_objects_current = 0;
for i=1:size(sorted_response,1)
y_ = 8*sorted_response(i,1);
x_ = 8*sorted_response(i,2);
score_ = sorted_response(i,3);
distances = sqrt((y-y_).^2 + (x-x_).^2);
num_overlaps = sum(distances < 80*sqrt(2)); % 阈值比较
if (num_overlaps == 0)
num_objects_current = num_objects_current + 1;
y(num_objects_current) = y_ - 4;
x(num_objects_current) = x_ - 4;
score(num_objects_current) = score_;
end
if (num_objects_current >= num_objects)% 最多只取num_objects个目标
break
end
end绘图显示结果：
function draw_detection(Itest, ndet, x, y, scale)
%display top ndet detections
figure; clf; imshow(Itest);
for i = 1:ndet
% draw a rectangle.use color to encode confidence of detection
%top scoring are green, fading to red
hold on;
if nargin < 5
scale = ones(size(x,2),1);
end
h = rectangle('Position',,'EdgeColor',[(i/ndet) ((ndet-i)/ndet)0],'LineWidth',3,'Curvature',);
hold off;
end
end
参考：
【1】INRIA Person Dataset：http://pascal.inrialpes.fr/data/human/
【2】百度网盘INRIA Person数据库链接：http://pan.baidu.com/s/1c2AivU4
【3】http://blog.csdn.net/hujingshuang/article/details/47337707/
function = mygradient(I)
% 求幅值和相位
if size(I,3)>1
I = rgb2gray(I);
end
if ~isfloat(I)
I = im2double(I);
end
gradFilter = fspecial('prewitt');
dx = imfilter(I, gradFilter, 'replicate');
dy = imfilter(I, gradFilter', 'replicate');
mag = sqrt(dx.*dx + dy.*dy);
phase = atan2(dy, dx);
页:
[1]