HOG的整体流程图如下所示 。
文章插图
文章插图
颜色空间归一化：
在现实的情况 ， 图像目标会出现在不同的环境中 ， 光照也会有所不一样 ， 颜色空间归一化就是对整幅图像的颜色信息作归一化处理从而减少不同光照及背景的影响 ， 也为了提高检测的鲁棒性 ， 引入图像Gamma校正和颜色空间归一化来作为特征提取的预处理手段 。ND等人也对不同的图像像素点的表达方式包括灰度空间等进行了评估 ， 最终验证RGB还有LAB色彩空间能使检测结果大致相同且能起到积极的影响 ， 且另一方面 ， ND等人在研究中分别在每个颜色通道上使用了两种不同的Gamma归一化方式 ， 取平方根或者使用对数法 ， 最终验证这一预处理对检测的结果几乎没有影响 ， 而不能对图像进行高斯平滑处理 ， 因平滑处理会降低图像目标边缘信息的辨识度 ， 影响检测结果 。
梯度计算：
边缘是由图像局部特征包括灰度、颜色和纹理的突变导致的 。一幅图像中相邻的像素点之间变化比较少 ， 区域变化比较平坦 ， 则梯度幅值就会比较小 ， 反之 ， 则梯度幅值就会比较大 。梯度在图像中对应的就是其一阶导数 。模拟图像f(x,y)中任一像素点（x,y）的梯度是一个矢量：
文章插图
其中 ， Gx是沿x方向上的梯度 ， Gy是沿y方向上的梯度 ， 梯度的幅值及方向角可表示如下：
文章插图
数字图像中像素点的梯度是用差分来计算的：
文章插图
一维离散微分模板在将图像的梯度信息简单、快速且有效地计算出来 ， 其公式如下：
文章插图
式中 ， Gx ， Gy ， H(x,y)分别表示的是像素点（x,y）在水平方向上及垂直方向上的梯度以及像素的灰度值 ， 其梯度的幅值及方向计算公式如下：
文章插图
ND等人也验证 ， 不同的梯度运算模板在其检测效果上也不一样 ， 如下表 ， 可以看出 ， 使用简单的一维离散微分模板[-1,0,1]进行的梯度运算得到的检测效果是最好的 ， 而使用其他形式的梯度运算模板如Prewitt和Sobel等算子 ， 如下图所示 ， 不仅增加运算量而同时也降低了其检测效果 。
文章插图
计算细胞单元的梯度直方图：
对于整个目标窗口 ， 我们需要将其分成
推荐阅读
- 负载均衡解析与Nginx实战
- Mac 上安装 pyenv 使用多版本python开发项目
- 大学军训内容及项目有哪些？
- 微服务架构开发实战：如何集成 Eureka Client？
- 如何建立一个完美的 Python 项目
- 开化龙顶的功效和作用,开化龙顶茶特色园项目被列入国家产业试点,开化龙顶茶
- 生成树实战演示，STP各端口的配置选举
- DHCP中继实战配置
- 开化龙顶名茶鉴赏,开化龙顶茶特色园项目被列入国家产业试点,开化龙顶茶
- 使用 K8s 进行作业调度实战分享