来源：投稿 作者：小灰灰

编辑：学姐

# HOG特征

HOG特征( Histogram of Oriented Gradients 方向梯度直方图）是一种在图像上找到特征描述子，主要通过计算和统计图像局部区域的梯度方向直方图来构成特征。来源于cvpr2015 年论文。

关注【学姐带你玩AI】

公众号后台回复“HOG”

得pdf版论文

算法流程

1、进行图像预处理

2、计算梯度

1. 图像预处理

1.1 图像灰度化，gamma矫正

我们先读入彩色图像，然后转换成灰度图像，采用gamma校正对输入的图像进行颜色空间的归一化，主要作用是调节图像的对比度，可以降低局部的阴影和光照变换的影响，可以抑制噪音。

图片one.png，是一个64*64的图片。

这是原始图片，灰度图片，不同比例的gamma校正之后的图片。

其中我们将一张灰度图片表示以下的矩阵

np.max(img)=203，img/float(np.max(img))是以下结果。

那么什么是gamma校正？

就是将归一化之后的像素值，也就是将0.15763547 的1/1.5,1.5次方，例如0.15763547的1/1.5 次方就等于0.29181165，依次可以计算得出以下值。

2. 计算梯度图

我们需要计算图像的水平和垂直方向的梯度，以刚开始图片为主。

我们以下面像素为例，计算图像的梯度。

计算中心点0.078431375的梯度大小，其中0.078431375(A)的坐标点为(x,y)：

水平梯度计算公式是：

垂直梯度计算公式：

那么梯度幅度计算公式：

梯度方向计算公式：

根据上面的计算，我们可以调用sobel算子，进行计算。

可以看到下图，分别是gx,gy的图像显示，以及幅度和方向的可视化。

这是其中的计算得出的结果。

上面是整个的HOG特征的计算公式，但是因为是整张图片计算的，计算量大，等等一些缺点，所以我们可以选用8x8，4x4的小的cell可以用于计算HOG特征。

这里以16x16作为例子进行展示;

原图是64*64，其中pixels_per_cell=(16, 16),是用来设置cell的大小。

— 完 —

点这里👇关注我，记得标星哦～

点一点👍才能看得到学姐干货~