之前我們講述了使用級聯分類器來進行人臉檢測，現在我們将使用第二種方法來實作。
第二種常用的人臉檢測工具由 Dlib 提供，它使用了方向梯度直方圖（HOG）的概念。論文《Histograms of Oriented Gradients for Human Detection》實作這一方案。
Histogram of Oritentd Gradients,縮寫為HOG，是目前計算機視覺、模式識别領域很常用的一種描述圖像局部紋理的特征。它通過計算和統計圖像的局部區域(Cell和Block)的方向梯度直方圖來構成特征，按照我的了解就是，先将一整幅圖像像劃分為大小相等的Cell小區域,比如說，先将圖像劃分為20pixel20pixel的小區域，然後，分别計算這些小區域的梯度方向直方圖；然後，再由一定數量的小區域組成稍微大一點的區域Block，比如說由22個Cell小區域組成1個Block區域，然後，再由Block區域的方向梯度直方圖特征向量組成整幅圖像的方向梯度直方圖HOG的特征向量；現在，這個特征向量就可以唯一的描述這幅圖像，就像一個人的身份證編号(特征向量)一樣，可以代表描述一個人。求出一幅圖像的HOG特征向量之後，這個特征向量就可以結合SVM，實作目标檢測，以圖搜圖；HOG+SVM剛開始的時候，是被廣泛用于行人檢測的，當然也可以用于其它方向的檢測或者以圖搜圖等領域。
方向梯度直方圖HOG算法的大緻步驟如下所示:
1）歸一化處理
歸一化處理操作的目的是：為了提高圖像特征描述符對光照以及環境變化的魯棒性，降低圖像局部的陰影、局部曝光過多及紋理失真，盡可能的抑制圖像的幹擾噪聲。歸一化處理操作是先将圖像轉化為灰階圖像，再利用Gamma校正實作。
2）分割圖像
因為方向梯度直方圖HOG是一個描述圖像局部紋理資訊的局部特征描述符，是以，如果直接對一大幅圖像及逆行特征提取的話，将會得不到好的效果。是以，我們需要先将圖像劃分為較小的方格單元，比如我們在程式中先将圖像劃分為2020大小的放格單元Cell，然後22個Cell組成一個Block，最後，所有的Block組成圖像。
HOG圖像的劃分一般有兩種政策，重疊和不重疊，即overlap和non-overlap兩種。這兩種劃分政策應該很好了解。就不多說了，直接看一下non-overlap的劃分政策示意圖，如下圖所示：
對于圖像I(x,y),計算圖像在水準方向和垂直方向上的梯度，這一步我們可以利用OpenCv中的一階微分算子Sobel計算得到。
3)計算每個Cell的方向梯度直方圖
将圖像劃分為小的Cell之後，接下來就是計算每一個Cell的方向梯度直方圖，我們可以利用OpenCv中的一階微分算子函數Sobel對每一個小區域求解X方向和Y方向上的梯度圖像。然後，再根據下面的公式(1)和公式(2)計算每一個小區域中每一個像素點的梯度方向和梯度幅值。
通過上面公式計算出來的梯度方向的角度是一個範圍在0~360度的弧度值，為了計算簡單，
我們将梯度向的範圍限制為0~180度，并且分割為9個方向，每個方向20度，再将限制後的角度除以20，則現在的梯度方向角度值就變為範圍在[0,9)，我們現在将每個小Cell裡面的梯度幅值按照這9個方向進行統計，計算完之後，将會産生一個橫坐标X為梯度方向，縱坐标Y為梯度幅值的方向梯度直方圖。
4）特征向量歸一化
為了克服光照不均勻的變化以及前景和背景測對比差異，需要對每個小區域計算出來的特征向量進行歸一化處理。在程式中，我們直接使用OpenCV中的normalize函數中的CV_L2範數進行歸一化處理。
5）HOG特征向量的生成
首先，我們将圖像中的小Cell的HOG特征向量組成比較大的Block的HOG特征向量，具體組合方式就是利用22個Cell組成一個Block。然互再将所有的Block的HOG特征向量組成全圖像的HOG特征向量。特征向量的具體組合方式是将小的特征向量按照首尾相接的方式組成一個維數比較大的特征向量。比如，一幅圖像被分為mn個Block，每一個Block的特征向量的維數為9維(每一個梯度方向就是一維)。那麼，這個圖像最終的特征向量維數就是mn9。
以上就是HOG的所有步驟，但是它仍舊有一個缺陷，那就是計算量過大，我們将在下個教程中讨論相關的解決辦法。
檢視文章彙總頁https://blog.csdn.net/weixin_44237705/article/details/107864965
更多openvino技術資訊可以入群交流~
申請備注：CSDN