(比较的译文)

DPM目标检测算法
DPM算法由Felzenszwalb于2008年提出,是一种基于部件的检测方法,对目标的形变具有很强的鲁棒性。目前DPM已成为众多分类、分割、姿态估计等算法的核心部分,Felzenszwalb本人也因此被VOC授予"终身成就奖"。

DPM算法采用了改进后的HOG特征,SVM分类器和滑动窗口(Sliding Windows)检测思想,针对目标的多视角问题,采用了多组件(Component)的策略,针对目标本身的形变问题,采用了基于图结构(Pictorial Structure)的部件模型策略。此外,将样本的所属的模型类别部件模型的位置等作为潜变量(Latent Variable),采用多示例学习(Multiple-instance Learning)来自动确定。

对于HOG特征一些信息进行描述:

http://blog.sina.com.cn/s/blog_60e6e3d50101bkpn.html

(梯度方向的详解比较好)

 

HOG(Histogram of Oriented Gradient)2005CVPR会议上,法国国家计算机科学及自动控制研究所的Dalal等人提出的一种解决人体目标检测的图像描述子,该方法使用梯度方向直方图(Histogram of Oriented Gradients,简称HOG)特征来表达人体,提取人体的外形信息和运动信息,形成丰富的特征集。

2.生成过程

                                                     

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

1)图像归一化

归一化图像的主要目的是提高检测器对光照的鲁棒性,因为实际的人体目标可能出现的各种不同的场合,检测器,必须对光照不太敏感才会有好的效果。

2)利用一阶微分计算图像梯度

图像平滑 

对于灰度图像,一般为了去除噪点,所以会先利用离散高斯平滑模板进行平滑:高斯函数在不同平滑的尺度下进行对灰度图像进行平滑操作,Dalal等实验表明在下,人体检测效果最佳(即不做高斯平滑),使得错误率缩小了约一倍。不做平滑操作,可能原因:图像时基于边缘的,平滑会降低边缘信息的对比度,从而减少图像中的信号信息。

梯度法求图像梯度

一阶微分处理一般对灰度阶梯有较强的响应  

一阶微分: 

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

对于函数f(x,y),在其坐标(x,y)上的梯度是通过如下二维列向量定义的: 

这个向量的模值由下式给出:

                                                          

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

 

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

 

因为模值的计算开销比较大,一般可以按如下公式近似求解:

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

Dalal等人利用许多一阶微分模板进行求梯度近似值,但在实验中表明模板[-1,0,1]效果最好。

采用模板[-1,0,1]为例计算图像梯度以及方向,通过梯度模板计算水平和垂直方向的梯度分别如下:

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

其中,分别表示该像素点的水平,垂直梯度值。计算该像素点的梯度值(梯度强度)以及梯度方向

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

对于梯度方向的范围限定,一般采用无符号的范围,故梯度方向可表示为:

                                                                      

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

 

3)基于梯度幅值的方向权重投影

HOG结构

通常使用的HOG结构大致有三种:矩形HOG(简称为R-HOG),圆形HOG和中心环绕HOG。它们的单位都是Block(即块)。Dalal的试验证明矩形HOG和圆形HOG的检测效果基本一致,而环绕形HOG效果相对差一些。

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

矩形HOG块的划分:

一般一个块(Block)都由若干单元(Cell)组成,一个单元都有如干个像素点组成。

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

在每个Cell中有独立做梯度方向统计,从而以梯度方向为横轴的的直方图,前面我们已经提到过,梯度方向可取0度到180度或0度~360度,但dalal实验表明,对于人体目标检测0度~180度这种忽略度数正负级的方向范围能够取得更好的结果。然后又将这个梯度分布平均分成几个方向角度(orientation bins),每个方向角度范围都会对应一个直方柱。(不明白)

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

根据Dalal等人实验,在人体目标检测中,在无符号方向角度范围并将其平均分成9份(bins)能取得最好的效果,当bin的数目继续增大效果改变不明显,故一般在人体目标检测中使用bin数目为9范围0~180度的度量方式。

Block中各个参数的最终选取:

对于人体对象检测,块的大小为3×3个单元格,单元格的大小为6×6个象素时,检测效果是最好的,错误率约为10%左右。块的大小为2×2个单元格,单元格大小为8×8个象素时,也相差无几。6-8个象素宽的单元格,2-3个单元格宽的块,其错误率都在最低的一个平面上。块的尺寸太大时标准化的作用被削弱了从而导致错误率上升,而如果块的尺寸太小时,有用的信息反而会被过滤掉。

在实际应用中,在Block和Cell划分之后,对于得到各个像区域中,有时候还会为了进行一次高斯平滑,但是对于人体目标检测等问题,该步骤往往可以忽略,实际应用效果不大,估计在主要还是去除区域中噪点,因为梯度对于噪点相当敏感。

对梯度方向的投影权重方式的选取: 

对于梯度方向的加权投影,一般都采用一个权重投影函数,它可以是像素点的梯度幅值,梯度幅值的平方根或梯度幅值的平方,甚至可以使梯度幅值的省略形式,它们都能够一定程度上反应出像素上一定的边缘信息。根据Dalal等人论文的测试结果,采用梯度幅值量级本身得到的检测效果最佳,使用量级的平方根会轻微降低检测结果,而使用二值的边缘权值表示会严重降低效果(约为5%个单位10-4FPPW(False Positives Per Window))。

4)HOG特征向量归一化

对block块内的HOG特征向量进行归一化。对block块内特征向量的归一化主要是为了使特征向量空间对光照,阴影和边缘变化具有鲁棒性。还有归一化是针对每一个block进行的,一般采用的归一化函数有以下四种:

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

在人体检测系统中进行HOG计算时一般使用L2-norm,Dalal的文章也验证了对于人体检测系统使用L2-norm的时候效果最好。

5)得出HOG最终的特征向量

方向梯度直方图(HOG,Histogram <wbr>of <wbr>Gradient)学习笔记二 <wbr>HOG正篇

3.HOG的应用:

主要用在object detection 领域,特别是行人检测,智能交通系统,当然也有文章提到把HOG用在手势识别,人脸识别等方面。

 

4.HOG与SIFT区别

HOG和SIFT都属于描述子,以及由于在具体操作上有很多相似的步骤,所以致使很多人误认为HOG是SIFT的一种,其实两者在使用目的和具体处理细节上是有很大的区别的。HOG与SIFT的主要区别如下:

① SIFT是基于关键点特征向量的描述。

② HOG是将图像均匀的分成相邻的小块,然后在所有的小块内统计梯度直方图。

③ SIFT需要对图像尺度空间下对像素求极值点,而HOG中不需要。

④ SIFT一般有两大步骤,第一个步骤是对图像提取特征点,而HOG不会对图像提取特征点。

 

5.HOG的优点:

HOG表示的是边缘(梯度)的结构特征,因此可以描述局部的形状信息;

位置和方向空间的量化一定程度上可以抑制平移和旋转带来的影响;

采取在局部区域归一化直方图,可以部分抵消光照变化带来的影响。

由于一定程度忽略了光照颜色对图像造成的影响,使得图像所需要的表征数据的维度降低了。

而且由于它这种分块分单元的处理方法,也使得图像局部像素点之间的关系可以很好得到的表征。

 

6.HOG的缺点:

描述子生成过程冗长,导致速度慢,实时性差;

很难处理遮挡问题。

由于梯度的性质,该描述子对噪点相当敏感