目录

前言

算法原理

特征描述

什么是方向梯度直方图？

算法思想：

实现方法：

性能提高：

HOG特征提取

直方图阈值化

直方图均衡化

算法步骤：

算法流程

1. 图像预处理

2. 计算图像梯度

3. 计算梯度直方图

4. 图像HOG特征向量

直方图反向投影

其它类型图像直方图与直方图缺陷

应用场景

优缺点

优点

缺点：

梯度方向直方图在目标检测中的应用

梯度直方图约束的多尺度块先验模型

1相关研究工作

1.1期望块对数似然模型

​编辑​编辑​编辑

1.2多尺度块模型

1.3梯度直方图先验及瓦瑟斯坦(Wasserstein)距离

2梯度直方图先验约束的多尺度块模型

3尺度不变性和参考直方图估计

3.1 尺度不变性 

3.2参考直方图估计

应用案例-HOG特征opencv代码处理和SVM训练

特征区分度

SVM

代码实现

MATLAB

计算图像的梯度及梯度直方图相似度

python

灰度直方图

 sift算法特征描述子构建-梯度直方图

计算梯度的方向直方图

计算主方向和辅方向

生成带有梯度信息的关键点

---

前言

方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。

图像直方图是图像的基本属性之一，也是图像像素数据分布的统计学特征，常见的图像直方图可以分为二值图像的直方图表示如下：

上图a是4x4的二值图像，b是对应的直方图，可以看出X轴表示像素范围(0-黑色、1-白色),Y轴表示像素值出现的频次，即分布。

对灰度图像来说，它的像素值取值范围会扩展到0～255之间，其直方图可以表示如下：