HOG特征：行人检测中的核心技术揭秘

图像预处理

• 将输入图像转换为灰度图像，建立三维空间坐标（x, y, z）。
• 应用Gamma校正法对图像进行颜色空间标准化，降低阴影和光照变化的影响。

梯度计算

• 使用[-1, 0, 1]和[1, 0, -1]T两个梯度算子分别计算图像在水平和竖直方向的梯度分量。
• 根据公式计算每个像素点的梯度大小和方向。

细胞单元划分

• 将图像划分为小型连通区域，称为细胞单元（Cell）。例如，6x6像素组成一个细胞。
• 在每个细胞单元中统计梯度方向信息，采用9个方向块进行直方图统计。

梯度方向直方图统计

• 将每个像素的梯度方向映射到固定的角度范围，统计每个方向块的计数。
• 梯度大小作为权重值进行加权统计，形成每个细胞单元的9维特征向量。

块归一化

• 将相邻的4个细胞单元组成一个块，块内对梯度直方图进行归一化处理。
• 归一化能够有效抑制光照变化和阴影对比度的影响，提高特征鲁棒性。

特征向量构建

• 将所有块的特征向量串联起来，形成最终的HOG特征向量。

几何和光学不变性

• HOG特征在局部方格单元上操作，能够较好地保持图像的几何和光学形变信息。

灵活性和鲁棒性

• 在粗空域抽样、精细方向抽样以及局部光学归一化的条件下，HOG特征对行人细微动作的忽略具有较高容忍度。

适用性

• HOG特征特别适合用于图像中的人体检测，能够有效捕捉人体的姿势和外观特征。

块数计算

• 水窗口大小：64x128
• 块大小：16x16，步长：8x8
• 水窗口中块数：(64-16)/8 + 1 = 7，(128-16)/8 + 1 = 15，总块数：7x15=105

细胞单元数目

• 每个块包含4个8x8细胞单元。

特征向量维数

• 每个细胞单元对应9维特征向量。
• 总特征维数：105x4x9=3780维。

特征提取

• 对正负样本提取HOG特征，形成训练样本。

模型训练

• 利用SVM对训练样本进行分类，得到检测模型。

检测过程

• 使用检测模型对待检测图像提取HOG特征，进行分类判断。

迭代优化

• 利用硬负样本迭代优化模型性能，进一步提升检测精度。