<强>猪特征
猪(面向梯度直方图)梯度方向直方图
通过利用梯度信息能反映图像目标的边缘信息并通过局部梯度的大小将图像局部的外观和形状特征化。在论文的梯度直方图的人类检测中被提出。
<强>猪特征的提取过程为:
γ归一化;
计算梯度;
划分细胞
组合成块,统计块直方图;
<>强梯度直方图归一化;
收集猪特征。
γ归一化:
对图像颜色进行伽马归一化处理,降低局部阴影及背景因素的影响。
<强>计算梯度:
通过差分计算出图像在水平方向上及垂直方向上的梯度:
<>强然后得到各个像素点的梯度的幅值及方向:
<强>划分细胞
将整个窗口划分成大小相同互不重叠的细胞单元细胞(如8×8像素),计算出每个细胞的梯度大小及方向,然后将每像素的梯度方向在0 & # 8722;180 o0 # 8722; 180度区间内(无向:0 - 180,有向:0 - 360)平均分为9个箱子,每个细胞内的像素用幅值来表示权值,为其所在的梯度直方图进行加权投票。
9箱:
<>强如图,不同数量的箱子下的错误率:
组合成块,统计块直方图
将2×2个相邻的细胞组成大小为16×16的像素块即块。依次将块大小的滑动窗口从左到右从上到下滑动,求其梯度方向直方图向量。
如图,不同大小的细胞与不同大小的块作用下的效果对比:
<>强梯度直方图归一化
作者对比了L2-norm, L1-norm, L1-sqrt等归一化方法,发现都比非标准数据有显着的改善。其中L2-norm和L1-sqrt效果最好,而L1-norm检测效果要比L2-norm和L1-sqrt低5%。
如图,不同的归一化方法效果对比:
这样通过归一化能够进一步地对光照,阴影和边缘进行压缩。
<>强收集猪特征
由于每个细胞内的梯度方向分成了9个箱子,这样每个细胞单元的猪特征向量长度是9 .
这样,对于大小为128×64大小的图像,采用8 * 8像素的卖,2×2个细胞组成的16×16像素的块,采用8像素的块移动步长,这样检测窗口块的数量有((128 - 16)/8 + 1)×((64 - 16)/8 + 1)=15×7。则猪特征描述符的维数为15×7×4×9。
<强>猪的缺点:
速度慢,实时性差,难以处理遮挡问题。
<强> OpenCV应用
<>强利用猪进行行人检测时有两种用法:
1,采用猪特征+ SVM分类器进行行人检测;
2,利用猪+ SVM训练自己的XML文件。
采用第一种方法,使用猪特征结合SVM分类器进行行人检测,简单示例:
