1. 图像预处理伽马矫正(减少光度影响)和灰度化(也可以在RGB图上做，只不过对三通道颜色值计算取梯度值最大的)【可选步骤】
2. 计算图像像素点梯度值，得到梯度图(尺寸和原圖同等大小)
3. 图像划分多个cell统计cell内梯度直方向方图

作用：gamma矫正通常用于电视和监视器系统中重现摄像机拍摄的画面．在图像处理中也可用於调节图像的对比度，减少图像的光照不均和局部阴影． 原理： 通过非线性变换让图像从暴光强度的线性响应变得更接近人眼感受的响應，即将漂白（相机曝光）或过暗（曝光不足）的图片进行矫正

 

 
 

 我们需要同时计算图像的水平梯度图和垂直梯度图 。如下图假设我们偠计算下图中像素点A的梯度值，
 
 

 
 

 
 

 
 

 
# 计算梯度幅度和方向
 

 
 

 
 

 
 

• x方向梯度图会强化垂直方向的特征可以观察到左侧白色斜线更加明显，但是底部一些水平线没有了
• y方向梯度图会强化水平方向特征，底部水平线强化了左侧垂直线不是那么明显了。

 

 梯度图移除了大量非显著性特征並加强了显著特征。三通道的彩色图中每个像素的梯度幅度是三个通道中最大的那个，而梯度方向是梯度幅度最大的那个通道上的方向
 
 

 经过上一步计算之后，每个像素点都会有两个值：梯度方向和梯度幅度
 
 

 但是，也看到了梯度幅度和梯度方向图与原图等同大小，实際如果使用这些特征会存在两个问题
 
 

• 计算量很大，基本就是原图
• 特征稀疏图中其实只有少量稀疏的显著特征，大部分可能是0

 

 
 

 HOG特征在此步骤选择联合一个8×88×8的小格子内部一些像素计算其梯度幅度和梯度方向的统计直方图，这样一来就可以以这个梯度直方图来代替原本龐大的矩阵每个像素有一个梯度幅度和梯度方向两个取值，那么一个8×88×8的小格子一共有8×8×2==128个取值
 
 

 上面提到，梯度方向取值范围是[0,180][0,180]以每20°为一个单元，所有的梯度方向可以划分为9组，这就是统计直方图的分组数目如下图，我们选取划分格子之后的第二行第二列一個小单元计算得到右边的梯度方向图和梯度幅度图，同时以以梯度方向为index统计分组数量。
 
 

 
 

 得到的统计频率直方图如下
 
 

 
 
 

 从上图可以看到更多的点的梯度方向是倾向于0度和160度，也就是说这些点的梯度方向是向上或者向下表明图像这个位置存在比较明显的横向边缘。因此HOG昰对边角敏感的由于这样的统计方法，也是对部分像素值变化不敏感的所以能够适应不同的环境。
 
 

 至于为什么选取8×88×8为一个单元格是因为HOG特征当初设计时是用来做行人检测的。在行人图片中8×88×8的矩阵被缩放成64×1的网格时足以捕获一些特征，比如脸部或者头部特征等
 
 

 目的：降低光照的影响 方法：向量的每一个值除以向量的模长
 
 

 
 
 

 HOG在选取8×88×8为一个单元格的基础之上，再以2×22×2个单元格为一组称為block。作者提出要对block进行归一化由于每个单元格cell有9个向量，2×22×2个单元格则有36个向量需要对这36个向量进行归一化。下图演示了如何在图潒中抽取block
 
 

 
 
 

 每一个16×1616×16大小的block将会得到36大小的vector那么对于一个64×1大小的图像，按照上图的方式提取block将会有7个水平位置和15个竖直位可以取得，所以一共有7×15=个block所以我们整合所有block的vector，形成一个大的一维vector的大小将会是36×105=5=3780
 
 

 计算图像HOG特征时，我们使用如下代码
 
 

计算图像HOG特征时我們使用如下代码