HOG特征

对HOG算法每一个步骤具体详细的介绍可参考：HOG特征——行人识别

对HOG算法的特点和思想的介绍可参考：目标检测的图像特征提取之（一）HOG特征

调用Python中的skimage库提取图像HOG特征的示例代码如下，代码摘自 图像特征工程 HOG特征描述子介绍：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

from skimage.io import imread, imshow from skimage.transform import resize from skimage.feature import hog from skimage import exposure import matplotlib.pyplot as plt   img = imread('lena.jpg') resized_img = resize(img, (128, 64))   # 创建hog特征 fd, hog_image = hog(resized_img,                     orientations=9,            # Number of orientation bins                     pixels_per_cell=(8, 8),    # Size (in pixels) of a cell                     cells_per_block=(2, 2),    # Number of cells in each block                     block_norm='L2',           # Normalization using L2-norm                     visualize=True,            # Return an image of the HOG                     multichannel=True)   fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 8), sharex=True, sharey=True) ax1.imshow(resized_img, cmap=plt.cm.gray) ax1.set_title('Input image') # 缩放直方图以便更好地显示 hog_image_rescaled = exposure.rescale_intensity(hog_image, in_range=(0, 10)) ax2.imshow(hog_image_rescaled, cmap=plt.cm.gray) ax2.set_title('HoG image') plt.show()

运行结果：

程序中的fd就是输入图像的HOG特征向量，向量长度为3780. 这个数值的计算方法可参考本文第一行的链接。