1.完整项目描述和程序获取
>面包多安全交易平台:https://mbd.pub/o/bread/Y56XlJdr
>如果链接失效，可以直接打开本站店铺搜索相关店铺：
>如果链接失效，程序调试报错或者项目合作也可以加微信或者QQ联系。
2.部分仿真图预览
3.算法概述
HOG特征提取方法就是将一个image（你要检测的目标或者扫描窗口）：
1）灰度化（将图像看做一个x,y,z（灰度）的三维图像）；
2）采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；
3）计算图像每个像素的梯度（包括大小和方向）；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。
4）将图像划分成小cells（例如6*6像素/cell）；
5）统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor；
6）将每几个cell组成一个block（例如3*3个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。
7）将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。
4.部分源码
.............................................
image = imread('apple.1.png');
subplot(1,2,1);
imshow(uint8(image));
%2、伽马校正
title('原图');
[m n]=size(image);
img = double(image);
img=sqrt(img);
%3、下面是求边缘
fy=[-1 0 1];
fx=fy';
Iy=imfilter(img,fy,'replicate');
Ix=imfilter(img,fx,'replicate');
Ied=sqrt(Ix.^2+Iy.^2);
Iphase=Iy./Ix;
%4、下面是求cell，每个cell求其梯度直方图
step=8;
orient=9;
jiao=360/orient;
Cell=cell(1,1);
ii=1;
jj=1;
for i=1:step:m-step
ii=1;
for j=1:step:n-step
tmpx=Ix(i:i+step-1,j:j+step-1);
tmped=Ied(i:i+step-1,j:j+step-1);
tmped= tmped / sum( sum(tmped) );
tmpphase=Iphase(i:i+step-1,j:j+step-1);
Hist=zeros(1,orient);
for p=1:step
for q=1:step
if isnan(tmpphase(p,q))==1
tmpphase(p,q)=0;
end
ang=atan(tmpphase(p,q));
ang=mod(ang*180/pi,360);
if tmpx(p,q)<0
if ang<90
ang=ang+180;
end
if ang>270
ang=ang-180;
end
end
ang=ang+0.0000001;
Hist(ceil(ang/jiao))=Hist(ceil(ang/jiao))+ tmped(p,q);
end
end
Hist=Hist/sum(Hist);
Cell{ii,jj}=Hist;
ii=ii+1;
end
jj=jj+1;
end
%5、显示准备工作
angle = [40,80,120,160,200,240,280,320,360];
rad = angle*pi/180;
k = tan(rad);
[m n] = size(Cell)
image_hog = zeros(m*17,n*17);
for x = 1:m-1
for y = 1:n-1
intensity = (Cell{x,y}+Cell{x,y+1}+Cell{x+1,y}+Cell{x+1,y+1})*64;
。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
end
%标记
for i=1:17
for j=1:9
block(X(i),Y(j,i)) =intensity(j); %
end
end
image_hog((x-1)*17+1:(x-1)*17+17 , (y-1)*17+1:(y-1)*17+17) = block(:,:);
end
end
image_hog = image_hog';
%6、【平滑Hog特征的不规则边缘】高斯平滑
G = [1 2 3 2 1 ;
2 5 6 5 2 ;
3 6 8 6 3 ;
2 5 6 5 2 ;
1 2 3 2 1 ;]
conv2(G,image_hog );
A259
