影象的全域性特徵--HOG特徵、DPM特徵
HOG特徵：方向梯度直方圖（Histogram of Oriented Gradient,）特徵是一種全域性影象特徵描述子。
它通過計算和統計影象區域性區域的梯度方向直方圖來構成特徵。Hog特徵結合SVM分類器已經被廣泛應用於影象識別中，尤其在行人檢測中獲得了極大的成功。需要提醒的是，HOG+SVM進行行人檢測的方法是法國研究人員Dalal在2005的CVPR上提出的，而如今雖然有很多行人檢測演算法不斷提出，但基本都是以HOG+SVM的思路為主。
RGB的DPM檢測特徵和其級聯方法是最後一個有效的傳統的目標檢測方法，翻譯見DPM原理詳解，此後，如有疑義，請拜訪原文，作者的主頁面：
P. Felzenszwalb, R. Girshick, D. McAllester, D. Ramanan Communications of the ACM, no. 9 (2013): 97-105
一、HOG+SVM模型
1、HOG描述子的計算過程
輸入影象image：
1）灰度化（ 將影象看做一個x,y,z（灰度）的三維影象）；
2）採用Gamma校正法對輸入影象進行顏色空間的標準化（歸一化）；目的是調節影象的對比度，降低影象區域性的陰影和光照變化所造成的影響，同時可以抑制噪音的干擾；
3）計算影象每個畫素的梯度（包括大小和方向）；主要是為了捕獲輪廓資訊，同時進一步弱化光照的干擾。
4）將影象劃分成小cells（例如6*6畫素/cell）；
5）統計每個cell的梯度直方圖（不同梯度的個數），即可形成每個cell的descriptor； 原始HOG特徵劃分為9個直方圖區間。
意義：計算梯度直方圖，可以降低光線明暗變化帶來的影響，保持良好的光照不變性和特定的旋轉不變性。
6）將每幾個cell組成一個block（例如3*3個cell/block），一個block內所有cell的特徵descriptor串聯起來便得到該block的HOG特徵descriptor。（此處cell和block，每個block可以多個cell，相鄰cell之間產生特定畫素的重疊，可以有效的抵擋偏移影響
意義：覆蓋劃分區域用於降低影象塊偏移帶來的影響；並同時保持特定區域相關性。
7）將影象image內的所有block的HOG特徵descriptor串聯起來就可以得到該image（你要檢測的目標）的HOG特徵descriptor了。這個就是最終的可供分類使用的特徵向量了。
2、HOG特徵的全域性性質
HOG特徵並非固定長度約束的特徵描述子。向量的維數和影象大小和Cell大小有關。每一個Cell裡面統計梯度直方圖，形成每個Cell的梯度特徵。其中每個Cell裡面提取的特徵可以使用其他塊特徵取代。
2.1. HOG優點：
與其他的特徵描述方法相比，HOG有很多優點。首先，由於HOG是在影象的區域性方格單元上操作，所以它對影象幾何的和光學的形變都能保持很好的不變性，這兩種形變只會出現在更大的空間領域上。其次，在粗的空域抽樣、精細的方向抽樣以及較強的區域性光學歸一化等條件下，只要行人大體上能夠保持直立的姿勢，可以容許行人有一些細微的肢體動作，這些細微的動作可以被忽略而不影響檢測效果。因此HOG特徵是特別適合於做影象中的人體檢測的。
全域性變形性，區域性不變形，在區分行人特徵和左右眼特徵時具有天然的優勢。當然，HOG思想是一個演算法族，Cell和Block思想是主要思想，重疊度直方圖分割槽塊大小可以根據實際情況進行調參，在一定的資料集上，力求達到最佳效果。
3、使用OpenCV進行HOG特徵計算
OpenCV的ObjectDetect模組包含了HOG計算的原始碼，使用例程如下
bool CEyeClassify::GetHogFeature(const cv::Mat& imggray, std::vector<float>& vecFeature)
{
const int cnSizeW = CEyeClassify::m_PatchWidth;
const int cnSizeH = CEyeClassify::m_PatchHeight;
{
cv::Mat imggray1;
resize(imggray, imggray1, cv::Size(cnSizeW, cnSizeH), 0, 0, CV_INTER_LINEAR);
cv::HOGDescriptor hog(imggray1.size(), cv::Size(16, 16), cv::Size(8, 8), cv::Size(8, 8), 9); // 48x32 540
hog.compute(imggray1, vecFeature);
}
return true;
}
二、DPM+LatentSVM模型
DPM（Deformable Part Model），正如其名稱所述，可變形的元件模型，是一種基於元件的檢測演算法，其所見即其意。該模型由大神Felzenszwalb在2008年提出，並發表了一系列的cvpr，NIPS。並且還拿下了2010年，PASCAL VOC的“終身成就獎”。
1、DPM描述子的計算過程
輸入影象image
2、DPM描述子的檢測過程
輸入影象image
3、Latent SVM模型
輸入影象image
參考資料：