Histograms of Oriented Gradients (HOG) 定向梯度直方图（HOG）
正如我们在ORB算法中看到的那样，我们可以使用图像中的关键点来进行基于关键点的匹配，以检测图像中的对象。 当您想要检测具有许多不受背景影响的一致内部特征的对象时，这些类型的算法非常有用。 例如，这些算法适用于面部检测，因为面部具有许多不受图像背景影响的一致内部特征，例如眼睛，鼻子和嘴巴。 然而，当尝试进行更一般的对象识别时，这些类型的算法不能很好地工作，例如，图像中的行人检测。 原因是人们没有像脸一样的内部特征，因为每个人的体形和风格都不同（见图1）。 这意味着每个人都将拥有不同的内部特征，因此我们需要一些可以更一般地描述一个人的东西。
图1 行人
一种选择是尝试通过轮廓检测行人。 通过轮廓（边界）检测图像中的对象是非常具有挑战性的，因为我们必须处理由背景和前景之间的对比带来的困难。 例如，假设您想要检测在白色建筑物前行走的图像中的行人，并且她穿着白色外套和黑色裤子（参见图2）。 我们可以在图2中看到，由于图像的背景大部分是白色，因此黑色裤子将具有非常高的对比度，但是由于它也是白色的，因此具有非常低的对比度。 在这种情况下，检测裤子的边缘将是容易的，但检测外套的边缘将是非常困难的。 这就是** HOG 的用武之地.HOG代表直方图的直方图**，它是由Navneet Dalal和Bill Triggs于2005年首次推出的。
图2 高低对比度
HOG算法通过创建图像中梯度方向分布的直方图，然后以非常特殊的方式对它们进行标准化来工作。 即使在对比度非常低的情况下，这种特殊的标准化也使HOG在检测物体边缘时非常有效。 这些归一化的直方图被放在一个特征向量中，称为HOG描述符，可用于训练机器学习算法，例如支持向量机（SVM），以根据它们的边界（边缘）检测图像中的对象。。 由于其巨大的成功和可靠性，HOG已成为用于物体检测的计算机视觉中最广泛使用的算法之一。
在这个笔记本中，您将学到：
①HOG算法如何工作
②如何使用OpenCV创建HOG描述符
③如何可视化HOG描述符。
The HOG Algorithm
顾名思义，HOG算法基于从图像梯度的方向创建直方图。 HOG算法通过一系列步骤实现：
1.给定特定对象的图像，设置覆盖图像中整个对象的检测窗口（感兴趣的区域）（参见图3）。
2.计算检测窗口中每个像素的梯度大小和方向。
3.将检测窗口划分为连接的像素*单元格，所有单元格大小相同（参见图3）。单元格的大小是一个自由参数，通常选择它以匹配想要检测的特征的比例。例如，在64×128像素检测窗口中，6到8个像素宽的正方形单元适合于检测人体肢体。
4.为每个单元格创建直方图，首先将每个单元格中所有像素的渐变方向分组为特定数量的方向（角度）区域;然后将每个角度箱中梯度的梯度大小相加（见图3）。直方图中的区间数是一个自由参数，通常设置为9个角度区间。
5.将相邻单元分组为块*（参见图3）。每个块中的单元数是一个自由参数，所有块必须具有相同的大小。每个块之间的距离（称为步幅）是一个自由参数，但通常设置为块大小的一半，在这种情况下，您将获得重叠块（见下面的视频*）。已经凭经验显示HOG算法以更好地与重叠块一起工作。
6.使用每个块中包含的单元格来规范化该块中的单元格直方图（参见图3）。如果您有重叠块，这意味着大多数单元格将根据不同的块进行标准化（请参见下面的视频）。因此，相同的单元可以具有几种不同的标准化。
7.将所有块中的所有标准化直方图收集到称为HOG描述符的单个特征向量中。
8.使用来自相同类型对象的许多图像的结果HOG描述符来训练机器学习算法（例如SVM）以检测图像中的那些类型的对象。例如，您可以使用来自行人的许多图像的HOG描述符来训练SVM以检测图像中的行人。训练是通过您想要在图像中检测到的对象的正面负面示例完成的。
9.一旦训练了SVM，就会使用滑动窗口方法来尝试检测和定位图像中的对象。检测图像中的对象需要找到与SVM所学习的HOG图案类似的图像部分。
Fig. 3. - HOG Diagram.
为什么HOG算法有效
如上所述，HOG通过在图像的局部部分（称为* cells *）中添加特定方向的渐变幅度来创建直方图。通过这样做，我们保证更强的梯度将对其各自的角度仓的大小做出更多贡献，同时由噪声导致的弱和随机定向梯度的影响被最小化。以这种方式，直方图告诉我们每个细胞的主要梯度方向。
处理对比度
现在，由于局部照明的变化以及背景和前景之间的对比度，主导方向的大小可以广泛变化。
为了解释背景 - 前景对比度差异，HOG算法尝试在本地检测边缘。为了做到这一点，它定义了一组称为块**的单元格，并使用这个本地单元格组对直方图进行标准化。通过局部归一化，HOG算法可以非常可靠地检测每个块中的边缘;这称为块规范化**。
除了使用块规范化之外，HOG算法还使用重叠块来提高其性能。通过使用重叠块，每个单元向最终HOG描述符贡献若干独立分量，其中每个分量对应于相对于不同块标准化的单元。这似乎是多余的，但是，经验证明，通过相对于不同的本地块对每个小区进行几次归一化，HOG算法的性能显着提高。
加载图像和导入资源
构建我们的HOG描述符的第一步是将所需的包加载到Python中并加载我们的图像。
我们首先使用OpenCV加载三角形图块的图像。 因为cv2.imread（）`函数将图像加载为BGR，我们将把图像转换为RGB，这样我们就可以用正确的颜色显示它。 像往常一样，我们会将BGR图像转换为Gray Scale进行分析。
import cv2 import numpy as np import matplotlib.pyplot as plt # Set the default figure size plt.rcParams['figure.figsize'] = [17.0, 7.0] # Load the image image = cv2.imread('./images/triangle_tile.jpeg') # Convert the original image to RGB original_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # Convert the original image to gray scale gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # Print the shape of the original and gray scale images print('The original image has shape: ', original_image.shape) print('The gray scale image has shape: ', gray_image.shape) # Display the images plt.subplot(121) plt.imshow(original_image) plt.title('Original Image') plt.subplot(122) plt.imshow(gray_image, cmap='gray') plt.title('Gray Scale Image') plt.show()
