那是什么？

定向梯度直方图，也称为HOG，是一个类似于Canny边缘检测器SIFT(比例不变和特征变换)的特征描述符。它在计算机视觉和图像处理中用于目标检测。该技术对图像的局部部分中出现的梯度方向进行计数。该方法与边缘方向直方图和尺度不变特征变换(SIFT)非常相似。HOG描述符关注对象的结构或形状。它比任何边缘描述符都要好，因为它使用梯度的大小和角度来计算特征。对于图像的区域，它使用梯度的大小和方向生成直方图。

计算生猪特征的步骤

2.计算了图像的梯度。梯度是通过组合来自图像的幅度和角度来获得的。考虑3×3像素的挡路，为每个像素计算第一个Gx和Gy。首先，对每个像素值使用下面的公式计算gx和Gy。

在计算GX和之后，使用下面提到的公式计算每个像素的幅值和角度。

3.获取每个像素的梯度后，将梯度矩阵(幅度矩阵和角度矩阵)划分为8×8单元，形成挡路。对于每个挡路，计算一个9点直方图。9点直方图形成具有9个柱的直方图，每个柱的角度范围为20度。图8表示9bin直方图，在该直方图中，值在计算之后被分配。这些9点直方图中的每一个都可以绘制为直方图，其中箱输出该箱中的梯度强度。由于挡路包含64个不同的值，因此对所有64个幅值和梯度值执行以下计算。由于我们使用的是9点直方图，因此：

每个JTH仓位、仓位的边界如下：

每个垃圾箱的中心值为：

4.对于挡路中的每个单元格，我们首先计算第j个bin，然后分别计算提供给第j个和第(j+1)个bin的值。该值由以下公式给出：

5.将数组作为挡路的bin，将主播和主播+1的值追加到数组中，每个像素计算第j个和第(j+1)个bin的索引。

6.上述计算后得到的矩阵形状为16x8x9。

7.一旦所有块的直方图计算结束，来自9点直方图矩阵的4个块被拼接在一起以形成新的挡路(2×2)。以8像素的步幅以重叠的方式完成该球棒。对于挡路中的所有4个单元，我们将每个组成单元的所有9点直方图连接起来，形成36个特征向量。

8.每个挡路的fb值按L2范数归一化：

9.为了归一化，首先通过以下公式计算k的值：

10.进行该归一化是为了减少同一对象的图像之间的对比度变化的影响。从每个挡路。采集了36个点的特征向量。在水平方向上有7个区块，在垂直方向上有15个区块。因此，HOG特征的总长度为：7x15x36=3780。获得所选图像的HOG特征。

Python中从头开始的HOG功能

在Python中使用skimage库的HOG要素

代码文件

链接到包含Python中从头开始的HOG特征检测器的所有代码的COLAB文件：https://colab.research.google.com/drive/1_yDbX68uCxejK448Y0ByOACQUUZw5hWR?usp=sharinghttps://colab.research.google.com/drive/1_yDbX68uCxejK448Y0ByOACQUUZw5hWR?usp=sharing

参考文献

请继续关注新的研究论文，就像这样的解释！

请随时联系并给出您的建议：https://www.linkedin.com/in/mrinal-tyagi-02a1351b1/https://www.linkedin.com/in/mrinal-tyagi-02a1351b1/

https://github.com/MrinalTyagihttps://github.com/MrinalTyagi