OpenCv学习

第一次写写自己学习的经历也算是一种学习吧。

OpenCv + HOG + SVM行人检测，怎么说呢？opencv很强大，它由大量C语言和部分C++构成 所以其通用性较强，可以以不加修改的应用在不同的系统上。HOG（Histogram of oriented gradient）方向梯度直方图：描述子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。此方法使用了图像的本身的梯度方向特征。此方法类似于边缘方向直方图（edge orientation histograms）方法，SIFT描述子，和上下文形状方法，但其特征在于其在在一个网格密集的大小统一的方格单元（dense grid of uniformly spaced cells）上计算，而且为了提高精确度使用了重叠的局部对比度归一化（overlapping local contrast normalization）的方法。

其作者Navneet Dalal和Bill Triggs是法国国家计算机技术和控制研究所（INRIA），他们在2005年的CVPR上首先发表了描述方向梯度直方图的论文。在这篇论文里，他们着重将他们的算法放在静态图像的行人检测问题上，之后他们也将他们的实验扩展到了视频中的人的检测的和静态图像中的车辆和常见动物的检测。

算法思想：

方向梯度直方图描述子的核心思想是一幅图像中的物体的表象和形状可以被像素强度梯度或边缘的方向分布很好地描述。其实现方法是先将图像分成小的叫做方格单元连通区域；然后采集方格单元中各像素点的梯度方向或边缘方向直方图；最后把这些直方图组合起来就可以构成特征描述子。为了提高精确度，还可以把这些局部直方图在图像的更大的区间(block)中进行对比度归一化(contrast-normalized)，此方法通过先计算各直方图在这个区间(block)中的密度，然后根据这个密度值对区间中的各个方格单元做归一化。通过这个归一化后，能对光照变化和阴影获得更好的稳定性。

与其他的特征描述方法相比，方向梯度直方图(HOG)描述子有很多优点。首先，由于HOG方法是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。方向梯度直方图方法是特别适合于做图像中的行人检测的。