HOG特征提取原理
1.HOG特征前言
该方法（Histogram of Oriented Gradient, HOG）是一种用于计算机视觉和图像处理中物体检测的特征描述子。该方法通过统计图像局部区域的梯度方向直方图来构成HOG描述子。该方法结合支持向量机分类器已被广泛应用于图像识别领域，并在行人检测方面取得了显著成效。需要注意的是，在2005年的CVPR会议上，法国研究人员Dalal提出了基于HOG+SVM的方法用于行人检测。
1.1 主要思想
在一张图像中，在观察者视角下局部目标的外观与形态可以通过梯度或边缘的方向密度分布准确地进行描述。（其本质是梯度统计信息的一种体现，在这种情况下梯度主要集中在边缘区域）
1.2 具体的实现方法
首先将图像划分为若干小的连通区域，并将其称为细胞单元。随后分别采集每个细胞单元内各像素点梯度方向及边缘方向的信息，并收集这些数据以形成方向分布表征。通过整合这些方向分布信息即可构建出特征描述器
1.3 提高性能
在图像中较大的范围内（我们将其称为区间或块）对这些局部直方图执行对比度 normalize（即 normalize contrast），所采用的方法如下：首先通过计算每个直方图在该区间（块）内的密度值；接着根据这一密度值对该区间的每个细胞单元进行 normalize 处理。经过这一 normalize 过程后，在光照变化和阴影方面能够获得更好的结果表现。
1.4 优点
与其他的特征描述方法相比，HOG有很多优点。首先，由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，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，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。因此HOG特征是特别适合于做图像中的人体检测的。
2.HOG特征提取算法的实现过程
大概过程：
HOG特征提取方法就是将一个image（你要检测的目标或者扫描窗口）：
1）灰度化（将图像看做一个x,y,z（灰度）的三维图像）；
2）采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；
3）计算图像每个像素的梯度（包括大小和方向）；主要是为了捕获轮廓信息 ，同时进一步弱化光照的干扰。
4）将图像划分成小cells（例如66像素/cell）；
5）统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor；
6）将每几个cell组成一个block（例如33个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。
7）将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。
具体每一步的详细过程如下：
2.1 标准化gamma空间和颜色空间
为了减少光照因素的影响，首先需要将整个图像进行规范化（归一化）。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。因为颜色信息作用不大，通常先转化为灰度图；
Gamma压缩公式：
比如可以取Gamma=1/2；
2.2 计算图像梯度
计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。
图像中像素点(x,y)的梯度为：
最常用的方法是：首先用[-1,0,1]梯度算子对原图像做卷积运算，得到x方向（水平方向，以向右为正方向）的梯度分量gradscalx，然后用[1,0,-1]T梯度算子对原图像做卷积运算，得到y方向（竖直方向，以向上为正方向）的梯度分量gradscaly。然后再用以上公式计算该像素点的梯度大小和方向。
2.3 为每个细胞单元构建梯度方向直方图
第三步目的是为局部图像区域提供一个编码，同时能够保持对图像中人体对象的姿势和外观的弱敏感性。
将图像分成若干个“单元格cell”，例如每个cell为66个像素。假设我们采用9个bin的直方图来统计这66个像素的梯度信息。也就是将cell的梯度方向360度分成9个方向块。如图所示：
在实际应用中发现由于局部光照的变化以及前景与背景对比度的变化等因素的影响下，图像区域内各个像素点处计算出的梯度幅值范围可能会非常宽泛。这就要求我们在处理这些数据时必须引入归一化操作来消除这种幅值范围上的差异性。
具体来说归一化的目的是为了将不同区域间的梯度强度差异进行标准化处理从而使得后续特征提取过程更加稳定可靠。
作者提出的具体方法则是将各个独立的小区域单元进行组合形成更大的空间连通区域块状结构（blocks）。通过这种方式不仅能够更好地捕捉到目标物体的整体形状信息还能有效减少由于小区域内光照变化带来的特征不一致性问题。
值得注意的是这些块状结构之间是有一定重叠性的因此在构建最终的整体描述时每一个原始单元格都会在其所属多个块状结构中产生不同的贡献最终生成的整体特征向量会包含大量重复的信息。
为了量化这种多维度的信息融合效果作者将归一化处理后的块状结构描述符统称为高阶几何矩特征（HOG descriptors）并以此为基础构建了完整的图像目标检测框架。
区间包含两种基本的空间形式——矩形区域（R-HOG）和环形区域（C-HOG）。R-HOG区域通常表现为规则方块状结构，并由三个参数进行表征：每个区域内的单元格数量、每个单元格所包含像素点的数量以及每个单元格直方图通道的数量。
例如：在行人检测任务中，推荐采用以下配置：3×3单元/区间、6×6像素/单元、9个直方图通道。此时单个块的特征数目为：3×3×9；
2.5 提取HOG特征
最后一步是将检测窗口中所有重叠区域内的HOG特征进行提取并融合汇总，形成最终待分类样本所具有的特征向量。
3.总结
那么一个图像的HOG特征维度是多少呢？
为了便于总结：Dalal提出的人体姿态检测方法中包含以下关键步骤：首先将输入样本图像划分为若干数量相等的小区域（cell），然后将梯度方向均分至9个区间（bin）。接着，在每个cell区域内统计每个像素点处梯度方向落在各个区间中的次数，并生成一个9维的直方图特征向量。随后将相邻4个cell组成的区域定义为一个block，并联结其对应的4个block内的特征向量形成36维的新向量。接着以单个cell作为步长在整个图像上滑动扫描各block区域。最后将所有block内的特征依次连接起来即可得到完整的人体姿势描述参数。举例来说，在64×128像素尺寸下使用16×16像素的小单元划分，则每个cell内有9个梯度方向分量；每个block由4×9=36个这样的分量组成；当取8×8像素作为扫描步长时，则水平方向能产生7种窗口位置、垂直方向能产生15种窗口位置；因此对于整个64×128大小的画面来说共有7×15=105种不同的block窗口位置；最终总共有36×7×15=3780个独立的人体姿势描述参数。