hog特征算子

第２ｌ卷第９期　２０１１年９月　计算机技术与发展　ＣＯＭＰＵＴＥＲ　ＴＥＣＨＮＯＬＯＧＹ　ＡＮＤ　ＤＥＶＥＬＯＰＭＥＮＴ　Ｖｏ１．２１　Ｎｏ．９　Ｓｅｐ．　２０１１　基于多尺度一多形状ＨＯＧ特征的行人检测方法　牛　杰　，钱　垄　Ｉ　，、、、　，，　、一　一　（１．常州信息职业技术学院电子与电气工程学院，江苏常州２１３１６４；　２．东南大学自动化学院，江苏南京２１００９６）　摘要：提出一种图像中人体快速自动检测方法。提取图像的多尺度－－多形状方向梯度直方图（ＨＯＧ）特征向量，用于描述　人体的形状特征，结合Ａｄａｂｏｏｓｔ机器学习法训练级联型分类器。以加速人体的检测过程。相比较传统算法，该方法没有采　用静态背景模型，也不是仅仅依赖于易受外部环境因素干扰的颜色信息，从而一定程度地适应ｒ人体姿态变化，以及非结　构化环境下常见的光照波动、背景杂乱等不良因素所带来的于扰。实验验证了该方法的准确性和较高的训‘算效率。　关键词：Ｔｙ向梯度直方图；行人检测；Ａｄａｂｏｏｓｔ；机器学习　中图分类号：ＴＰ３９１．４１　文献标识码：Ａ　文章编号：１６７３—６２９Ｘｆ２０１１）０９－００９９－０４　Ｐｅｄｅｓｔｒｉａｎ　Ｄｅｔｅｃｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｍｕｌｔｉ—．Ｓｃａｌｅ　ａｎｄ　Ｍｕｌｔｉ－Ｓｈａｐｅ　ＨｏＧ　Ｆｅａｔｕｒｅｓ　ＮＩＵ　Ｊｉｅ　，ＱＩＡＮ　Ｋｕｎ　（１．Ｓｃｈ．ｏｆ　Ｅｌｅｃｔｒｉｃａｌ　ａｎｄ　Ｅｌｅｃｔｒｏｎｉｃ　Ｅｎｇ．，Ｃｈａｎｇｚｈｏｕ　Ｃｏｌｌｅｇｅ　ｏｆ　Ｉｎｆ．Ｔｅｃｈｎ．，Ｃｈａｎｇｚｈｏｕ　２１３１６４，Ｃｈｉｎａ；　２．Ｓｃｈｏｏｌ　ｏｆ　Ａｕｔｏｍａｔｉｏｎ，Ｓｏｕｔｈｅａｓｔ　Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ　２１００９６，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ａ　ｆａｓｔ　ａｎｄ　ａｕｔｏｍａｔｉｃ　ｐｅｏｐｌｅ　ｄｅｔｅｃｔｉｏｎ　ｍｅｔｈｏｄ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｔｈｅ　ｍｕｌｔｉ—ｓｃａｌｅ　ａｒｍ　ｍｕｌｔｉ—ｓｈａｐｅ　ｈｉｓｔｏｇｒａｍ　ｏｆ　ｏｒｉｅｎ￣ｄ　ｇｒａｄｉｅｎｔ　（ＨＯＧ）ｆｅａｔｕｒｅｓ　ａｒｅ　ｅｘｔｒａｃｔｅｄ，ｗｈｉｃｈ　ｓｅｒｖｅ　ａｓ　ａ　ｐｏｗｅｒｆｕｌ　ｄｅｓｃｒｉｐｔｉｏｎ　ｏｆ　ｈｕｍａｎ　ｓｈａｐｅｓ；Ｔｈｅ　ｅｘｔｒａｃｔｅｄ　ｆｅａｔｕｒｅｓ　ａｒｅ　ｔｈｅｎ　ｆｅｄ　ｉｎｔｏ　ａ　ｃａｓｃａｄｅ　ｏｆ　ｃｌａｓｓｉｆｉｅｒｓ　ｔｒａｉｎｅｄ　ｂｙ　Ａｄａｂｏｏｓｔ　ａｌｇｏｒｉｔｈｍ　ｔｏ　ｇｒｅａｔｌｙ　ａｃｃｅｌｅｒａｔｅ　ｔｈｅ　ｐｅｏｐｌｅ　ｄｅｔｅｃｔｉｏｎ　ｓｃｈｅｍｅ．Ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｉｓ　ｉｎｄｅｐｅｎｄｅｎｔ　ｆｒｏｍ　ｂａｃｋｇｒｏｕｎｄ　ｍｏｄｅｌｓ　ａｓ　ｗｅｌｌ　ａｓ　ｃｏｌｏｒ　ｉｎｆｏｒｍａｔｉｏｎ　ｉｎ　ｉｍａｇｅｓ，ｗｈｉｃｈ　ｉｓ　ｈｉｇｈｌｙ　ｕｎｒｅｌｉａｂｌｅ　ｄｕｅ　ｔｏ　ｄｉｓｔｕｒｂａｎｃｅ．Ｔｈｉｓ　ｍｅｔｈｏｄ　ｉｓ　ｒｏｂｕｓｔ　ａｇａｉｎｓｔ　ｈｕｍａｎ　ｐｏｓｔｕｒｅ　ｖａｒｉａｎｃｅｓ，ｌｉｇｈｔｅｎｉｎｇ　ｆｌｕｃｔｕａｔｉｏｎｓ　ａｓ　ｗｅｌｌ　ａｓ　ｂａｃｋｇｒｏｕｎｄ　ｃｌｕｔｔｅｒｉｎｇ．Ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｖａｌｉｄａｔｅ　ｔｈｅ　ｆａｖｏｒａｂｌｅ　ｐｅｒｆｏｒｍ・　ａｌｉｃｅ　ｏｆ　ｈｉｇｈ　ａｃｃｕｒａｃｙ　ａｎｄ　ｃｏｍｐｕｔａｔｉｏｎａｌ　ｅｆｆｉｃｉｅｎｃｙ　ｏｆ　ｔｈｅ　ｐｍｐｏｓｅｄ　ｍｅｔｈｏｄ．　Ｋｅｙ　ｗｏｒｄｓ：ｈｉｓｔｏｇｒａｍ　ｏｆ　ｏｒｉｅｎｔｅｄ　ｇｒａｄｉｅｎｔ；ｐｅｄｅｓｔｒｉａｎ　ｄｅｔｅｃｔｉｏｎ；Ａｄａｂｏｏｓｔ；ｍａｃｈｍｅ　ｌｅａｒｎｉｎｇ　０　引　言　人的视觉检测在智能监控…、人机交互　等领域　都有着重要的应用价值。文中主要讨论不依赖背景模　型的图像中行人检测方法，可以用于各种视角的静态／　动态摄像机，是机器视觉领域中一项具有挑战性的研　究课题。　基于视觉的人体检测方法可大致分为自底向上与　自顶向下两类。自底向上的方法　从图像的底层特　征如边缘、颜色聚类等开始分析人的肢体，并在人体结　构约束下优化特定的代价函数以搜索人体存在区域。　此类方法的典型代表有模板比配法、光流法等．需要大　量搜索计算，难以实时实现。自顶向下的方法　则利　收稿日期：２０１１—０３—０１；修回日期：２０１１－０６—０５　基金项目：江苏省现代教育技术研究２０１１年度技术应用重点课题　（２０１ｌ—Ｒ一１８９２６）　作者简介：牛杰（１９８３－），男，江苏淮安人，讲师，硕士，研究领域为　图像处理、测量控制。　用统计学习理论训练特定目标的分类器。自适应　ｂｏｏｓｔｉｎｇ方法（Ａｄａｂｏｏｓｔ）　不需要预先知道学习机的　训练错误率，而是自动根据弱学习机的预测准确率调　节相应弱学习机的权值。因此只要学习机的性能超过　随机猜想且迭代充分，就能使经验错误率降至任意低　的水平，并能保证推广错误率也低于某近似的上限。　一般此类方法利用人体图像的基元特征，如Ｈａｒｒ小波　特征等构建弱分类器　。　的级联，但对于人体目标形变　的情况容易出现误检。传统的傅立叶描述子　是对人　体外形的全局参数化描述，忽略了局部细节形状特征，　对于遮挡的鲁棒性较差。形状上下文（Ｓｈａｐｅ　Ｃｏｎｔｅｘｔ，　ｓｃ）　“　是相对大尺度的局部描述，参考点位置可以任　意选择，对虚假点和小范围的遮挡比全局法更为鲁棒。　Ｄａｌａｉ　’等提出了方向梯度直方图ｆｔｌｉｓｔｏｇｒａｍ　ｏｆ　Ｏｒｉｅｎ．　ｔｅｄ　Ｇｒａｄｉｅｎｔ，ｔｔＯＧ）描述子，是对人体姿态形变的视觉　表观更为鲁棒的描述…。Ｚｈｕｌ１。　等利用Ａｄａｂｏｏｓｔ法　

hog特征的原理

HOG特征是一种常用的图像特征提取方法，它可以用来描述图像中的形状和纹理信息。HOG特征全称为Histogram of Oriented

Gradients，即梯度方向直方图。它是通过计算图像中每个像素点的梯度方向，并统计每个方向上的梯度强度来得到的。

HOG特征的原理是基于人类视觉系统的一种假设，即人类视觉系统对边缘和纹理的感知较为敏感。因此，通过提取图像中的边缘和纹理信息，可以较好地描述图像的特征。

HOG特征的计算过程如下：

1. 图像预处理：首先，需要对图像进行预处理，包括图像的灰度化、归一化等操作。这是为了简化计算，并降低光照、阴影等因素对特征提取的影响。

2. 计算梯度：接下来，需要计算图像中每个像素点的梯度信息。一般使用Sobel算子或Laplacian算子来计算图像的梯度。梯度的大小表示了像素点的强度，梯度的方向表示了像素点的纹理信息。

3. 划分图像区域：将图像划分为若干个小的局部区域，称为细胞单元。每个细胞单元内包含了多个像素点的梯度信息。

4. 构建梯度直方图：对于每个细胞单元，统计其内部像素点的梯度方向，并将其划分到相应的方向区间中。可以选择8个或12个方向区间，分别表示0度到180度或0度到360度。

5. 归一化梯度直方图：为了降低光照、阴影等因素对特征提取的影响，需要对梯度直方图进行归一化处理。常用的方法是对每个细胞单元内的梯度直方图进行L2范数归一化。

6. 连接细胞单元：将相邻的细胞单元连接起来，形成一个大的特征向量。这样可以更好地描述整个图像的纹理和形状信息。

7. 特征分类：最后，可以将提取到的HOG特征用于图像分类、目标检测等任务中。常用的分类器包括支持向量机（SVM）、神经网络等。

HOG特征的优点在于它对图像的光照、阴影等因素不敏感，可以较好地描述图像中的纹理和形状信息。同时，HOG特征的计算相对简单，计算速度较快，适用于实时处理的场景。

HOG特征提取方法研究

摘要：本文详细介绍了HOG特征提取方法中用到的理论知识和实验，分别阐述了梯度的计算、三线性插值和区块表量化，然后对HOG的结果进行可视化，最后对HOG的优缺点进行总结。

关键字：HOG，梯度，三线性插值，标准化

1. 引言

方向梯度直方图（Histogram of Oriented Gradient，HOG）是一种用于目标检测的特征描述子，广泛应用在计算机视觉和图像处理领域。在2005年的CVPR上被Navneet Dalal和Bill Trigg提出，并用在静态图像的行人检测中，取得了显著的效果。作者是法国国家计算机技术和控制研究所French National Institute for Research in Computer Science and Control

(INRIA)的研究员，后来，他们也将其应用在电影和视频中的行人检测，以及静态图像中的车辆和常见动物的检测。

2. 国内外研究现状

HOG自2005年提出以来，引用率为11600多次，HOG的改进和应用广泛。

3. 方法分析

HOG的基本思想是利用局部图像的密集梯度特征，体现图像中物体的边缘特征，在一幅图像中，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。具体的实现方法是：首先将图像分成小的连通区域即细胞单元（cell）。然后采集细胞单元中各像素点的梯度或边缘的方向直方图。最后，把这些直方图组合起来就构成了特征描述子。为了提高性能，把这些局部直方图在图像的更大范围内即区间（block）进行对比度归一化（contrast-normalize）。所采用的方法是，首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作归一化。通过这个归一化后，能对光照变化和阴影获得更好的效果。

与其他特征描述子比较，HOG描述子有很多优点，首先，由于HOG是在图像的局部细胞单元上进行操作，所以它对图像几何的和光学的形变都能保持良好的不变性，这两种形变只会出现在更大的空间领域上。其次，原文作者通过实验发现，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体保持直立姿势，就容许行人有一些细微的肢体动作，这些细微动作可以被忽略而不影响检测效果。综上所述，HOG方法是特别适合做图像中的行人检测的。

hog特征的定义和计算步骤

HOG（Histogram of Oriented Gradients，方向梯度直方图）是一种用于图像特征提取的方法，主要用于目标检测和识别任务。下面是 HOG 特征的定义和计算步骤：

1. 图像分割：将输入图像分割为若干个小的图像块（cell）。每个图像块通常为正方形，并且具有相同的大小。

2. 梯度计算：对于每个图像块，计算其灰度图像的梯度（gradient）和方向（orientation）。常用的计算方法是使用一阶差分滤波器（如Sobel算子）来计算图像的水平和垂直方向的梯度。

3. 方向划分：将每个图像块的梯度方向划分为一定数量的方向区间（bin）。例如，常用的划分方式是将0至180度的角度范围均匀划分为9个方向区间。

4. 方向加权：对于每个像素，将其梯度方向根据所属的方向区间进行加权。加权可以使用线性插值或其他方式进行。

5. 统计直方图：对于每个图像块，统计每个方向区间内加权梯度的累积值，得到一个直方图。直方图的每个条目代表了对应方向区间内梯度的强度。

6. 块归一化：对于每个图像块，将其周围的若干个图像块一起进行归一化操作，以进一步增强特征的鲁棒性。常用的归一化方法是使用L2范数进行块内归一化。

7. 特征拼接：将所有图像块的归一化直方图连接起来，形成最终的 HOG 特征向量。

上述步骤是 HOG 特征的基本定义和计算步骤。通过计算图像块的梯度方向和强度，分别统计其方向区间的加权梯度累积值，并进行归一化和拼接操作，最终得到图像的 HOG 特征向量。这个特征向量通常作为输入，用于训练和识别目标检测任务中的模型。