圖像識(shí)別之圖像特征提取

HOG特征：

方向梯度直方圖(Histogram of Oriented Gradient, HOG)特征是一種在計(jì)算機(jī)視覺和圖像處置中用來停止物體檢測的特征描繪子。它經(jīng)過計(jì)算和統(tǒng)計(jì)圖像部分區(qū)域的梯度方向直方圖來構(gòu)成特征。Hog特征分離SVM分類器曾經(jīng)被普遍應(yīng)用于圖像辨認(rèn)中，特別在行人檢測中取得了極大的勝利。需求提示的是，HOG+SVM停止行人檢測的辦法是法國研討人員Dalal在2005的CVPR上提出的，而往常固然有很多行人檢測算法不時(shí)提出，但根本都是以HOG+SVM的思緒為主。

(1)主要思想：

在一副圖像中，部分目的的表象和外形(appearance and shape)可以被梯度或邊緣的方向密度散布很好地描繪。(實(shí)質(zhì)：梯度的統(tǒng)計(jì)信息，而梯度主要存在于邊緣的中央)。

(2)詳細(xì)的完成辦法是：

首先將圖像分紅小的連通區(qū)域，我們把它叫細(xì)胞單元。然后采集細(xì)胞單元中各像素點(diǎn)的梯度的或邊緣的方向直方圖。最后把這些直方圖組合起來就能夠構(gòu)成特征描繪器。

(3)進(jìn)步性能：

把這些部分直方圖在圖像的更大的范圍內(nèi)(我們把它叫區(qū)間或block)停止比照度歸一化(contrast-normalized)，所采用的辦法是：先計(jì)算各直方圖在這個(gè)區(qū)間(block)中的密度，然后依據(jù)這個(gè)密度對(duì)區(qū)間中的各個(gè)細(xì)胞單元做歸一化。經(jīng)過這個(gè)歸一化后，能對(duì)光照變化和陰影取得更好的效果。

(4)優(yōu)點(diǎn)：

與其他的特征描繪辦法相比，HOG有很多優(yōu)點(diǎn)。首先，由于HOG是 在圖像的部分方格單元上操作，所以它對(duì)圖像幾何的和光學(xué)的形變都能堅(jiān)持很好的不變性，這兩種形變只會(huì)呈現(xiàn)在更大的空間范疇上。其次，在粗的空域抽樣、精密 的方向抽樣以及較強(qiáng)的部分光學(xué)歸一化等條件下，只需行人大致上可以堅(jiān)持直立的姿態(tài)，能夠允許行人有一些細(xì)微的肢體動(dòng)作，這些細(xì)微的動(dòng)作能夠被疏忽而不影響 檢測效果。因而HOG特征是特別合適于做圖像中的人體檢測的。

2、HOG特征提取算法的完成過程：

大約過程：

HOG特征提取辦法就是將一個(gè)image(你要檢測的目的或者掃描窗口)：

1)灰度化(將圖像看做一個(gè)x,y,z(灰度)的三維圖像)；

2)采用Gamma校正法對(duì)輸入圖像停止顏色空間的規(guī)范化(歸一化)；目的是調(diào)理圖像的比照度，降低圖像部分的陰影和光照變化所形成的影響，同時(shí)能夠抑止噪音的干擾；

3)計(jì)算圖像每個(gè)像素的梯度(包括大小和方向)；主要是為了捕獲輪廓信息，同時(shí)進(jìn)一步弱化光照的干擾。

4)將圖像劃分紅小cells(例如6*6像素/cell)；

5)統(tǒng)計(jì)每個(gè)cell的梯度直方圖(不同梯度的個(gè)數(shù))，即可構(gòu)成每個(gè)cell的descriptor；

6)將每幾個(gè)cell組成一個(gè)block(例如3*3個(gè)cell/block)，一個(gè)block內(nèi)一切cell的特征descriptor串聯(lián)起來便得到該block的HOG特征descriptor。

7)將圖像image內(nèi)的一切block的HOG特征descriptor串聯(lián)起來就能夠得到該image(你要檢測的目的)的HOG特征descriptor了。這個(gè)就是最終的可供分類運(yùn)用的特征向量了

總結(jié)

以上是生活随笔為你收集整理的html图像特征提取,图像识别之图像特征提取的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。