方向梯度直方图

方向梯度直方图 (HOG) 特征描述符在物体检测中非常流行 [1]。

在下面的例子中，我们计算 HOG 描述符 并显示可视化结果。

算法概述

通过计算方向梯度直方图 (HOG)

1. （可选）全局图像归一化

2. 计算x和y方向的梯度图像

3. 计算梯度直方图

4. 跨块标准化

5. 展平为特征向量

第一阶段应用一个可选的全局图像归一化均衡，旨在减少光照效果的影响。实际上，我们使用伽马（幂律）压缩，计算每个颜色通道的平方根或对数。图像纹理强度通常与局部表面光照成正比，因此这种压缩有助于减少局部阴影和光照变化的影响。

第二阶段计算一阶图像梯度。这些捕捉轮廓、剪影和一些纹理信息，同时提供进一步的抗光照变化能力。使用局部主导的颜色通道，这在很大程度上提供了颜色不变性。变体方法也可能包括二阶图像导数，这些导数作为原始的条形检测器——对于捕捉例如自行车中的条形结构和人体中的肢体等有用特征。

第三阶段旨在生成一种编码，该编码对局部图像内容敏感，同时对姿态或外观的小变化具有抵抗力。采用的方法与SIFT [2] 特征一样，在局部池化梯度方向信息。图像窗口被划分为小的空间区域，称为“单元格”。对于每个单元格，我们在单元格内的所有像素上累积梯度或边缘方向的局部1-D直方图。这种组合的单元格级1-D直方图形成了基本的“方向直方图”表示。每个方向直方图将梯度角度范围划分为固定数量的预定箱。单元格中像素的梯度幅度用于投票进入方向直方图。

第四阶段计算归一化，该阶段将局部细胞组的整体响应进行对比度归一化，然后再传递到下一阶段。归一化引入了对光照、阴影和边缘对比度的更好不变性。它通过在称为“块”的局部细胞组上累积局部直方图“能量”的度量来执行。结果用于归一化块中的每个细胞。通常，每个单独的细胞在几个块之间共享，但其归一化是块依赖的，因此不同。因此，细胞在最终输出向量中出现几次，具有不同的归一化。这可能看起来冗余，但它提高了性能。我们将归一化的块描述符称为方向梯度直方图（HOG）描述符。

最后一步是从覆盖检测窗口的密集重叠块网格中的所有块收集HOG描述符，将其组合成一个特征向量，用于窗口分类器。

参考文献

[1]

Dalal, N. 和 Triggs, B., “用于人体检测的方向梯度直方图,” IEEE 计算机学会计算机视觉与模式识别会议, 2005, 美国加利福尼亚州圣地亚哥。

[2]

David G. Lowe, “基于尺度不变关键点的独特图像特征,” 国际计算机视觉杂志, 60, 2 (2004), 第91-110页。

import matplotlib.pyplot as plt

from skimage.feature import hog
from skimage import data, exposure


image = data.astronaut()

fd, hog_image = hog(
    image,
    orientations=8,
    pixels_per_cell=(16, 16),
    cells_per_block=(1, 1),
    visualize=True,
    channel_axis=-1,
)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4), sharex=True, sharey=True)

ax1.axis('off')
ax1.imshow(image, cmap=plt.cm.gray)
ax1.set_title('Input image')

# Rescale histogram for better display
hog_image_rescaled = exposure.rescale_intensity(hog_image, in_range=(0, 10))

ax2.axis('off')
ax2.imshow(hog_image_rescaled, cmap=plt.cm.gray)
ax2.set_title('Histogram of Oriented Gradients')
plt.show()