方向梯度直方图

方向梯度直方图 (HOG) 特征描述符在对象检测中很受欢迎 [1]。

在以下示例中，我们计算 HOG 描述符 并显示可视化。

算法概述

计算方向梯度直方图 (HOG) 的方法如下：

1. （可选）全局图像归一化

2. 计算 x 和 y 中的梯度图像

3. 计算梯度直方图

4. 跨块归一化

5. 展平为特征向量

第一阶段应用可选的全局图像归一化均衡，旨在减少光照影响。在实践中，我们使用伽玛（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。这些捕获轮廓、剪影和一些纹理信息，同时提供进一步的抗光照变化能力。使用局部主导颜色通道，这在很大程度上提供了颜色不变性。变体方法还可以包括二阶图像导数，它们充当原始条检测器——对于捕获自行车中的条状结构和人类肢体等很有用的特征。

第三阶段旨在生成一种对局部图像内容敏感的编码，同时保持对姿势或外观的微小变化的抵抗力。所采用的方法以与 SIFT [2] 特征相同的方式在局部池化梯度方向信息。图像窗口被划分为称为“单元”的小空间区域。对于每个单元，我们在单元中的所有像素上累积梯度或边缘方向的局部一维直方图。这个组合的单元级一维直方图形成基本的“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 bin。单元中像素的梯度幅度用于投票到方向直方图中。

第四阶段计算归一化，它采用局部单元组，并在传递到下一阶段之前对它们的整体响应进行对比度归一化。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”的局部单元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单元。通常，每个单独的单元在多个块之间共享，但其归一化是块相关的，因此不同。因此，该单元在最终输出向量中多次出现，并具有不同的归一化。这可能看起来是多余的，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。

最后一步将覆盖检测窗口的密集重叠块网格的所有块中的 HOG 描述符收集到组合的特征向量中，以用于窗口分类器。

参考文献

[1]

Dalal, N. and Triggs, B., “Histograms of Oriented Gradients for Human Detection,” IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005, San Diego, CA, USA。

[2]

David G. Lowe, “Distinctive image features from scale-invariant keypoints,” International Journal of Computer Vision, 60, 2 (2004), pp. 91-110。

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()