1、by Radon,HISTORGRAMS OF ORIENTED GRADIENTS FOR HUMAN DETECTION,Window Block Cell bin,重要概念,HOG描述子的输入 根据测试，window的大小为64*128时效果最好。,Window,在R-HOG中，window被相同大小的cell（ pixel pixel，）覆盖，相同大小的block（ cell cell）在由cell组成的网格上滑动。,Block & Cell,Block & Cell,bin,色彩和gamma归一化 梯度计算 统计局部图像梯度信息 block归一化 生成特征描述向量,算法流程,一维的离
2、散微分模板 (-1, 0, 1), (1, 0, -1) 水平梯度图和垂直梯度图 求幅值和相位 对于3通道图像，只保留梯度幅值最大的通道的梯度。,梯度计算,对block加一个高斯空域窗口 Block中每个pixel根据自己的梯度和位置进行投票,统计局部图像梯度信息,投票的权重 梯度幅值的函数 直接使用梯度幅值 效果最好 block中的每一个pixel对相邻cell和其梯度方向的相邻区间进行投票。,Block中的投票,三线性插值 x方向、y方向和梯度的角度这三个参数空间,Block中的投票,对block加一个高斯空域窗口 Block中每个pixel根据自己的梯度和位置进行投票 通过投票得到blo
3、ck对应的特征描述向量（维） 该向量既对图像区域内的姿势或外观的小变化具有不变性。,统计局部图像梯度信息,对光照、阴影、边缘对比度等具有更好的不变性 L2-norm: / 2 2 + 2 L2-Hys: 将特征描述向量中的最大值限制为0.2以下，再进行L2-norm L1-sqrt: /( 1 +),block归一化,HOG描述子 将window中所有block对应的特征描述向量组合在一起 HOG没有选取主方向或旋转梯度方向直方图不具有旋转不变性 HOG不具有尺度不变性 HOG在密集采样的图像块中进行计算特征向量的各个维度隐含了其在检测窗口中的位置信息通过使用不同旋转方向的样本进行训练，改变在待检测图像中的窗口大小，使用HOG描述子也能实现具有旋转不变性和尺度不变性的算法。,生成特征描述向量,色彩和gamma归一化 梯度计算 统计局部图像梯度信息 block归一化 生成特征描述向量,算法流程,SVM,SVM 松弛变量,结果 第1次训练,window size = 64*128 =2, =8, =9 归一化方法：L2-norm,hard example,也适用于生成hard example,检测过程,beforeafter,SVM 第2次训练,终,
