圖像處理之HOG特征提取算法
HOG(Histogram of Oriented Gradient)特征在對象識别與模式比對中是一種常見的特征提取算法，是基于本地像素塊進行特征直方圖提取的一種算法，對象局部的變形與光照影響有很好的穩定性，最初是用HOG特征來來識别人像，通過HOG特征提取+SVM訓練，可以得到很好的效果，OpenCV已經有了。HOG特征提取的大緻流程如下：
第一步：
Gamma校正，主要是對輸入圖像進行校正，主要是為了補償顯示器帶來的灰階偏差。常見的系數在2.5左右，這個方面的資料非常多。ImageJ的源代碼中也有Gamma校正的實作，可以參照。
第二步：
圖像轉灰階，這個也屬于常見操作了。
第三步：
計算圖像的梯度與方向，可以使用SOBEL算子實作，最終得到圖像的梯度振幅與角度。
第四步：
将圖像劃分為8x8的小網格，對每個小網格内的圖像做梯度方向直方圖，每個8x8=64個像素為一個CELL，對每個CELL根據角度分為9個直方圖塊（BIN），每個BIN的範圍是20度。假設在CELL的某個像素點的角度是10，則把他對應的梯度值累加放到第一個編号是0的直方圖中，最終得到編号是0~8的各個直方圖的資料。這樣做的一個不好的地方是，沒有精準反應出來梯度權重對相鄰直方圖的影響，得到直方圖也不是反鋸齒的資料，是以一個剛好的方法，是根據角度的值，計算對應像素的梯度在左右相鄰直方圖上的權重，根據權重累加相應的值到相鄰的直方圖中。這樣就完成了HOG中最重要的一步，權重角度直方圖資料統計。CELL網格分割圖如下:
得到對應的直方圖如下：
角度直方圖的編号與角度範圍。
五：塊描述子
将2x2的網格單元組合成為一個大的塊(Block)對每個塊之間有1/2部分是重疊區域。主要是将每個Cell的直方圖合并為一個大的直方圖向量，這樣每個塊就有36個向量描述子。對每個塊的描述子做歸一化處理，常見的歸一化處理為L2-norm或者L1-norm，公式如下：
這樣就得到每個塊的描述子，對一個對象特征來說塊可以是矩形的也可以是圓形的，根據要提取對象特征決定。得到特征之後，在目标圖像上以一個CELL大小為步長，檢測目标圖像上是否有比對的對象特征，對象特征比對可以基于相似度，最常見的是歐幾裡得距離與巴斯系數。
舉例：
對于64x128的像素塊，可以分為8x16個Cell分為7x15個塊(R-HOG) 總計的直方圖向量數為：7x15x2x2x9 = 3780個向量
關鍵部分的代碼實作：