OpenCV + CPP 系列（卅六）图像特征提取（HOG特征检测）

文章目录

• ​​HOG特征描述子​​
• ​​算法演示​​

HOG特征描述子

OpenCV—Python HOG方向梯度直方图

提取流程

1. 灰度图像转换，标准化gamma空间和颜色空间
2. 梯度计算，使用sobel算子
3. 分网格的梯度方向直方图(8x8像素cell)
4. 块描述子，定义（2X2cell=block）
5. 块描述子归一化
6. 得到HOG特征向量

cell梯度

• 特征数据与检测窗口
• 匹配方法

关于算法详情：
查看 ​​​https://zhuanlan.zhihu.com/p/40960756​​​ 或者 ​​https://zhuanlan.zhihu.com/p/75538637​​ 或者 ​​https://zhuanlan.zhihu.com/p/85829145​​

特征数据与检测窗口

• 最终获得HOG描述算子(特征数据)
• 需要正向训练200个左右的特征样本
• 反向训练600~800个左右的特征样本
• 初步测试、开窗检测

对于64x128的像素块，可以分为8x16个Cell分为7x15个块(R-HOG)

总计的直方图向量数为：7x15x2x2x9 = 3780个向量数组

算法演示

头文件 ​​image_feature_all.h​​：声明类与公共函数

#pragma once
#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;


class ImageFeature {
public:
  void hog_demo(Mat& image);

};

主函数​​main.cpp​​调用该类的公共成员函数

#include "image_feature_all.h"



int main(int argc, char** argv) {
  const char* img_path = "D:\\Desktop\\jianzhu.jpg";
  Mat image = imread(img_path, IMREAD_GRAYSCALE);   //灰度图读入
  if (image.empty()) {
    cout << "图像数据为空，读取文件失败！" << endl;
  }
  ImageFeature imgfeature;
  imgfeature.hog_demo(image);
  imgfeature.sift_demo(image);
  
  imshow("image", image);
  waitKey(0);
  destroyAllWindows();
  return 0;
}

源文件 ​​feature_extract.cpp​​：实现类与公共函数

void ImageFeature::hog_demo(Mat& image) {
  Mat gray_src;
  cvtColor(image, gray_src, COLOR_BGR2GRAY);
  
  // 生成自定义HOG特征向量
  /*
  Mat dst;
  resize(image, dst, Size(64, 128));
  HOGDescriptor detector(Size(64, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9);
  vector<float> detectors;
  vector<Point> locations;
  detector.compute(dst, detectors, Size(0, 0), Size(0, 0), locations);
  cout << "Number of HOG detectors.size() = " << detectors.size() << endl;
  */
  

  // 使用默认行人检测算子
  HOGDescriptor hog = HOGDescriptor();
  hog.setSVMDetector(hog.getDefaultPeopleDetector());

  vector<Rect> foundLocations;
  Mat resultImg = image.clone();
  hog.detectMultiScale(gray_src, foundLocations, 0, Size(8, 8), Size(32, 32), 1.05, 2.0, false);
  for (size_t i = 0; i < foundLocations.size(); i++){
    rectangle(resultImg, foundLocations[i], Scalar(0, 0, 255), 1, 8, 0);
  }
  imshow("HOG SVM Detector", resultImg);
}