HOG特征学习笔记

1. 前述知识：
   1. 特征描述符通过提取图像有用的信息，并丢弃无关信息来简化图像表示
   2. 根据任务判断什么特征有用:检测马路上的车道线：边缘检测，边缘信息有用，颜色信息无用
2. 定义：
   1. 方向梯度直方图，可用来表示图像的物体特征，让能够检测出这类物体。
   2. 是一个类似于canny边缘检测器sift（比例不变和特征变换）的特征描述符，在cv和图像处理中用于目标检测
   3. 本质：对图像的局部部分中出现的梯度方向进行计数。使用梯度的大小和角度来计算特征（生成直方图）
   4. HOG描述符关注对象的结构或形状

   5. HOG特征描述符将3通道的彩色图像转为一定长度的特征向量

   6. 在HOG特征描述符中，梯度方向的分布，即梯度方向的直方图被视作特征。

   7. 图像的角度（x和y的导数），边缘和拐角（强度突变的区域）周围的梯度幅度很大，包含更多关于物体形状的信息。

   8. 利用图像梯度就可以只关注边角信息，以勾勒出人的模样

3. HOG常和svm配合使用，用于训练高精度的目标分类器.HOG（感觉和sift很像）+SVM的工作流程：
   1. 对输入的图片进行预处理：
      1. 裁减
      2. 缩放到固定尺寸
      3. 灰度处理（可选，对于彩色图像，相对三通道颜色值分别计算梯度，取梯度值最大的作为该像素的梯度）
      4. 伽马校正（输出图像是输入图像的幂函数，指数为γ，γ越大，图像越暗）：调整图像对比度（减少光照（光照不匀，局部阴影）对图像的影响），使得图像更接近人眼看到的图像
   2. 计算每个像素点的梯度值（根据3X3的区域进行计算）,得到幅度矩阵和角度矩阵：
      1. 对每个像素点，计算水平梯度和竖直梯度（可使用内核大小为1的sobel算子来获得相同的结果）
      2. 计算总的梯度强度值和梯度方向（取绝对值，所以范围是[0-180]）
   3.  形成梯度直方图:
      1. 在一个8X8的cell中计算，则共有8X8X2=128个值(2是包括了梯度强度和梯度方向)，通过统计形成梯度直方图，128个值将会变成9个值（此处9只是因为假设将0-180分为了9个bins,来对像素点进行统计m,9个柱的直方图,每个柱的角度范围为20度），降低计算量的同时，对光照等环境变化更加鲁棒。
      2. 当梯度方向倾向于0度和160度时，表明这些点的梯度方向是向上或向下，表明图像这个位置存在比较明显的横向边缘。
   4.  对blocks进行normalize
      1. 向量的每一个值除以向量的模长
      2. 具体：
         1. 将8X8的一个区域看做一个cell，再以2X2个cell作为一组，称为block。由于每个cell有9个值(因为8X8X2构建直方图步骤已经变成了9个值（bin）了)，2X2个cell则有36个值，hog通过滑动窗口来得到block.
         2. 对block的梯度直方图进行归一化，由上可知，一个block有4个直方图，将4个直方图拼接成长度为36的向量，然后对整个向量进行归一化
         3. 滑动窗口，滑动步长为8个像素（就是一个cell），窗口大小是2X2的，每滑动一次，就得到一个长度为36的特征向量。
      3. 原因：降低光照的影响（图像的梯度对整体光照很敏感，但希望特征描述符不会受到光照变化的影响。所以需要对直方图进行归一化。因为原始像素的倍数变化，归一化之后得到结果是一样的。）
   5. 计算HOG特征向量：将整幅图像上滑动计算得到的特征向量进行拼接，就得到了整个图像的特征描述符了
   6. 收集HOG feature（一行高维的vector）放到svm里进行监督学习。
   7. 所有实践出真知，展示实践结果图：