实例中滑动窗口HOG特征向量是如何计算的,怎么得到计算结果的?

-*- coding: utf-8 -*-

import cv2
import numpy as np
from skimage.feature import hog

initialization

image_height = 48
image_width = 48
window_size = 24
window_step = 6

image = cv2.imread('a.jpg', 0) #a.jpg是一个48*48的灰度图像

def sliding_hog_windows(image):
hog_windows = []
for y in range(0, image_height, window_step):
for x in range(0, image_width, window_step):
window = image[y:y+window_size, x:x+window_size]
hog_windows.extend(hog(window, orientations=8, pixels_per_cell=(8, 8),
cells_per_block=(1, 1), visualise=False))
return hog_windows

features = sliding_hog_windows(image) #程序调试得到的结果是:features是一个2592维向量,手动计算怎么计算?

0
Csdn user default icon
上传中...
上传图片
插入图片
抄袭、复制答案,以达到刷声望分或其他目的的行为,在CSDN问答是严格禁止的,一经发现立刻封号。是时候展现真正的技术了!
其他相关推荐
关于hog特征维数的计算
https://blog.csdn.net/xl890727/article/details/7920199此博客有关于block,cell,_blockStride,winsize的详细介绍下面我根据代码来实际算一下我采用的图片大小是100*100上面采用的winsize窗口大小为10*10,blocksize块大小为10*10,blockstride块滑移量为5,胞大小是5*5,每个胞的直方图...
图像特征提取之HOG特征
方向梯度直方图(Histogram of Oriented Gradient, HOG)特征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。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功。 算法思想  HOG特征的核心思想是在一幅图像中,局部目标的表象和形状(appearance and s
hog特征提取方法
方向梯度直方图(Histogram of Oriented Gradient, HOG) 特征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。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。 在一副图像中,局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。其本质为:梯度的统计信息,而梯度主要存在于边缘的地方 Hog特征结合SVM分类器已经
深入浅出理解HOG特征---梯度方向直方图
梯度方向直方图 原文路径:https://www.learnopencv.com/histogram-of-oriented-gradients/最近在搞车牌识别的时候,训练样本去识别车牌的时候用到HOG特征。国外一篇文章让我受益良多什么是特征描述符? 特征描述符是指通过提取有用的信息并抛弃无关的信息来表示这一张图片或者一张图片的一部分典型地,特征描述符将大小宽度x高度x 3(通道)的图像转换为
Hog行人检测
HOG特征向量归一化 对block块内的HOG特征向量进行归一化。对block块内特征向量的归一化主要是为了使特征向量空间对光照,阴影和边缘变化具有鲁棒性。还有归一化是针对每一个block进行的,一般采用的归一化函数有以下四种: 在人体检测系统中进行HOG计算时一般使用L2-norm,Dalal的文章也验证了对于人体检测系统使用L2-norm的时候效果最好。
HoG描述子
前言 首先声明下,这篇文章不是原创文章,翻译自这http://www.learnopencv.com中的. 原链接:http://www.learnopencv.com/histogram-of-oriented-gradients/ 翻译水平有限,不要喷我 开始翻译介绍与心理鸡汤 在本文中,我们将学习HoG描述子的细节。我们将学习他的细节,以及在OpenCV,MATLAB中是怎么计算这个HoG的。
图像处理之图像特征提取之(一)HOG特征
1、HOG特征:        方向梯度直方图(Histogram of Oriented Gradient, HOG)特征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。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功。需要提醒的是,HOG+SVM进行行人检测的方法是法国研究人员Dalal
基于hog滑动窗口的目标识别
一、关于源码的一些简单说明          本文不是讲解hog理论的,所以需要对hog算法有一定了解,这些可以去参考hog提出者的博士论文,写得很详细。          按照正常流程,hog行人检测分为训练过程和检测过程,训练过程主要是训练得到svm的系数。在opencv源码中直接采用训练好了的svm系数,所以训练过程源码中没有涉及到多少。    首先还是对hog源码中一些固
HOG(方向梯度直方图)
出自2005 Dalal CVPR用于行人检测 思想:边缘、纹理等特征信息可被梯度或边缘的方向密度分布很好地描述方向梯度1.计算图像梯度方向与幅值 对于图像像素点(i,j):其对x方向的梯度Hx(i,j)及对y方向的梯度Hy(i,j) Hx(i,j)=I(i+1,j)−I(i,j)Hx(i,j)=I(i+1,j)-I(i,j) Hy(i,j)=I(i,j)−I(i,j+1)Hy(i,
利用hog+svm(梯度方向直方图和支持向量机)实现物体检测
最近利用hog+svm做了一个物体检测的小程序,可以先给大家看看实验的结果。从照片中,检测出以任意姿态摆放在任意位置的公仔。 插入图片 其实吧,网上关于hog和svm的教程和书籍也非常多。但是很少有那种让初学者或者不太了解相关内容的人一看就懂的文章或是博客。反正我是看了好多的博客,文章,又找了程序动手做,才能大概理解程序的具体运行过程。所以,我这次重点做一下查漏补缺的工作,我把别人文章里经常会
hog特征与fhog特征
fhog在KCF和DSST中都用到了,当时看KCF的时候做了总结,放在这里。 传统hog特征提取。 关于HOG特征(梯度统计直方图)简单介绍一下,首先是对原图进行灰度化(hog统计的是梯度信息,色彩几乎没有贡献),再进行gamma压缩和归一化(减轻光照影响)。然后进行统计,首先是统计每个cell(代码里用的是4_4)里的梯度(包括大小和方向,大小用来加权方向)统计直方图,再把几个cell合并成一个
计算图片HOG特征
计算特征&特征维度 1 创建HOG描述子 HOGDescriptor *descriptor=new HOGDescriptor(cvSize(40,80),//winSize cvSize(10,20),//blockSize cvSize(5,10),//blockStride cvSize(5,5),//cellSize 9);//nbins每个window中block的个数为(wi
opencv 读取图像区域 并 计算HOG
OpenCV学习-利用ROI裁剪图片 为了提取到一幅图像中感兴趣的区域并裁剪出来作为一幅新图像的方法: 1、利用void cvSetImageROI( IplImage* image, CvRect rect )函数设置感兴趣的区域; IplImage* src = cvLoadImage(“D:\\test.jpg”,1); cvSetImageROI(src,cvR
【图像特征提取1】方向梯度直方图HOG---从理论到实践------附带积分图像的解析
(一)特征检测算法的综述                   计算机视觉理论中的特征描述是常见的目标分析技术之一,关键点的检测和关键点的提取是目标分析的重要手段和重要步骤之一。局部图像特征描述的核心问题是不变性和可分析性,不变性是基于特征描述对于视角变化的不变性、尺度变化的不变性以及旋转变化的不变性,可分性是基于图像的局部内容的可分性。但是,在实际应用中,不变性和可分性是相互矛盾的。Oprn
Python3计算图像HoG特征并显示且保存
参考博客https://blog.csdn.net/ppp8300885/article/details/71078555 并根据自身环境(Python3)和使用需求做适当的修改。 #!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2019/2/27 15:08 # @Author : # @Site : # @...
特征值和特征向量,PCA算法
先看方阵的特征值和特征向量的定义: 设A是n阶方阵,如果数λ和n维非零列向量α使关系式 Aα=λα Aα = λαAα=λα 成立,则数λ称为矩阵A的特征值,非零向量α称为A的对应于特征值λ的特征向量。 这个关系式的意义是什么呢? 首先,我们知道矩阵是一个映射,它将向量空间中的一个向量映射到另一个向量。 β=Aα β = Aα β=Aα 例如, A=4−23−1 A = \begin{matri...
基于HOG-LBP特征融合的头肩检测研究
摘 要: 提出了一种基于HOG-LBP特征融合的人体头肩检测方法,其要点是将人体头肩图像等分为多个部分重叠的块,从每个块内提取HOG和LBP特征并加以融合,以得到更有效的人体头肩的边缘轮廓和纹理特征,融合后的特征送入支持向量机SVM(Support Vector Machine)通过Bootstrapping的方式进行训练,得到最终的判别模型。实验结果表明,该方法的检测效果优于基于
svm训练特征提取——图像特征提取三大法宝:HOG特征,LBP特征,Haar特征
图像特征提取三大法宝:HOG特征,LBP特征,Haar特征 一、HOG特征 1、HOG特征: 即局部归一化的梯度方向直方图,是一种对图像局部重叠区域的密集型描述符, 它通过计算局部区域的梯度方向直方图来构成特征。方向梯度直方图(Histogram of Oriented Gradient, HOG)特征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。它通过计算和统计图像局部区域的...
自己训练SVM分类器,进行HOG行人检测。
正样本来源是INRIA数据集中的96*160大小的人体图片,使用时上下左右都去掉16个像素,截取中间的64*128大小的人体。 负样本是从不包含人体的图片中随机裁取的,大小同样是64*128。 SVM使用的是OpenCV自带的CvSVM类。 首先计算正负样本图像的HOG描述子,组成一个特征向量矩阵,对应的要有一个指定每个特征向量的类别的类标向量,输入SVM中进行训练。 训练
【原理】HOG特征描述算子
【原文:http://blog.csdn.net/icvpr/article/details/8454527】 1)HOG特征的原始文献 "Histograms of Oriented Gradients for Human Detection"  "Finding People in Images and Videos" (PhD Thesis) (较为详细)
Matlab计算图像HOG特征
本文通过使用VLFeat和Piotr’s Image & Video Matlab Toolbox两种工具箱进行HOG特征计算。
图像算法之五:特征提取算法之HOG
1、HOG特征:        方向梯度直方图(Histogram of Oriented Gradient, HOG)特征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。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功。需要提醒的是,HOG+SVM进行行人检测的方法是法国研究人员Dal
opencv中应用HOG特征训练SVM多分类器的一般框架
opencv中应用HOG特征训练SVM多分类器的一般框架
基于Matlab来计算矩阵特征值和特征向量
简介 线性代数相关领域中,矩阵操作一般是核心内容。对矩阵的特征值和特征向量的计算一直在数值计算占有重要位置。这里介绍一种根据指定个数来返回矩阵特征值及特征向量的方式。 实例 % By lyqmath % Dalian University of Technology % School of Mathematical Sciences 2008 % BOLG: http://blog
运用opencv计算特征向量
通过opencv我们可以轻松的计算图像的特征向量,然后搭建svm向量机,去进行图像识别,不过,svm向量机,opencv也自带了哈哈。 #include #include #include #include "opencv2/opencv.hpp"  #include using namespace std; using namespace cv; int st
传统提取图片特征的方式:颜色直方图、方向梯度直方图、词袋
对图片做线性分类,最直观的做法是,将图像中的原始像素之间传入线性分类器。由于多模态等原因,直接传入分类器效果不太好。所以,在深度神经网络得到大规模应用之前,通常使用两步走策略: 1.拿到图片,计算图片的各种特征代表。 2.将不同的特征向量融合到一起,得到图像的特征表述。然后,将图像的特征表述传入线性分类器。 下面简要介绍传统提取图片特征的方式,包括颜色直方图、方向梯度直方图、词袋等。   ...
SVM+HOG:训练分类器生成.xml文件
转载:http://blog.csdn.net/masibuaa/article/details/16105073正样本来源是INRIA数据集中的96*160大小的人体图片,使用时上下左右都去掉16个像素,截取中间的64*128大小的人体。负样本是从不包含人体的图片中随机裁取的,大小同样是64*128(从完全不包含人体的图片中随机剪裁出64*128大小的用于人体检测的负样本)。http://blog
图像特征提取——HOG特征,LBP特征,Haar特征
图像特征提取
图像处理之特征提取:HOG特征简单梳理
HOG 方向梯度直方图,这里分解为方向梯度与直方图。 一、方向梯度 梯度:在向量微积分中,标量场的梯度是一个向量场。标量场中某一点上的梯度指向标量场增长最快的方向,梯度的长度是这个最大的变化率。更严格的说,从欧几里得空间Rn到R的函数的梯度是在Rn某一点最佳的线性近似。在这个意义上,梯度是雅可比矩阵的一个特殊情况。   在单变量的实值函数的情况,梯度只是导数,或者,对于一个线性函
PCA和特征向量特征值解答
2013-2-5 问方 09:19:20 问下协方差矩阵的特征值和特征向量到底是它的什么,有什么意义   答方1 09:26:44   主轴的方向 答方1 09:27:16   协方差可以描述一个样本的散度   问方 09:28:34   是一个样本还是多个之间 问方 09:29:09   一个样本的散度?就是一个向量? 答方1 09:29:07   协方差的
图像的全局特征--HOG特征、DPM特征
       HOG特征:方向梯度直方图(Histogram of Oriented Gradient,)特征是一种全局图像特征描述子。        它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功。需要提醒的是,HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的,而...
特征向量的归一化方法
在使用KNN(k-Nearest Neighbours)根据特征值进行分类的时候,如果所有变量位于同一值域范围内,利用这些变量一次性算出距离值是有意义的。不过,假设我们引入一个对最终的分类结果产生影响的新变量(不同类型的变量 Heterogenous Varibales)。与我们目前使用过的变量不同(假设之前的变量的取值均介于0和100之间),这些变量可能会达到1000。很显然,和原先的变量相比,
计算机视觉基础 - 特征向量生成算法 ORB & HOG
我们通常所说的图片中的关键点 Keypoints 是指图片当中具有明显区别意义或对被检测对象有定义性质的小区域,例如成角和边缘部分。执行边缘、成角和轮廓检测等前述所有的独立的特征点 Feature Points 的提取都是为了后续在算法实现中可以通过将这些具有识别能力的特征组合起来构成特征向量 Feature Vector 来更稳健的完成物体的检测和识别。...
方向梯度直方图-Hog算法介绍
图像梯度 介绍一下图像梯度的含义: 上图中,标量场是黑白的,黑色表示大的数值,而相应的梯度用红色箭头表示。 可以把图像看成二维离散函数,图像梯度其实就是这个二维离散函数的求导: 图像梯度: G(x,y) = dx i + dy j; dx(i,j) = I(i+1,j) - I(i,j); dy(i,j) = I(i,j+1) - I(i,j); 其中,I是图像像素的值(
HOG特征向量的代码 源代码改
function HOGFeature = ImgHOGFeature( imgPathName, cell_size, nblock,..., overlap, angle, bin_num) % 计算输入图像的特征描述子 % imgPathName:图片路径 % cell_size: cell的长宽 % nblock: block的width、height包括的cell的个数 % ov
关于HOG特征的一些理解
我们最后得到的HOG向量是一个1n的特征向量,其中n是HOG的特征维数。这个向量的每个元素的值代表着每一个block在x个bin上的梯度值之和。 例如700700的灰度图,9个bins,每一个block有1010个cell,每一个cell有2020个pixels,每一个滑动步长stride默认为一个cell的长和宽 那么这个图片的特征维数就是{ [(700-200)/20]+1 } * { [(7...
利用OpenCV提取HOG特征需要了解的参数
【原文:http://bbs.sciencenet.cn/blog-702148-762019.html】 利用OpenCV提取HOG特征主要有两组参数需要设定,一个是HOG检测滑动窗口内部的参数,另一个是计算HOG特征时滑动窗口的步长 一、HOG检测滑动窗口内部的参数包括:检测window的大小,window内block的大小,block滑动的步长,以及cell的大小。 其中滑
机器学习之:特征向量选取
在机器学习中, 特种向量选取是整个机器学习系统中非常重要的一步。 1.1. 特征向量选取 VS. 特征向量提取 请注意特征向量的选取有别于特征向量提取。前者的英文是feature selection, 而后者是feature extraction. 特征向量提取是直接作用于原始数据上的。比如,给定一组文档,我们的任务是要做文档分类。直接将文档输入给分类器是无法工作的,因为每篇文档有不同的字
HOG算子——计算方式,opencv函数详解,行人检测code
梯度直方图特征(HOG) 是一种对图像局部重叠区域的密集型描述符, 它通过计算局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功。需要提醒的是,HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的,而如今虽然有很多行人检测算法不断提出,但基本都是以HOG+SVM的思路为主。        
hog特征总结
一、hog特征详解(点击[]可以进入我所参考的博客)1.hog特征原理1.HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。[1] 通过将整幅图像分割成小的连接区域(称为cells),每个cell生成一个方向梯度直方图或者cell中pixel的边缘方向,这些直方图的组合可表示出(所检测目标的目标)描述子。为改善准确率,局部直方图可以通过计算图像中一个较大区域(称为block
文章热词 设计制作学习 机器学习教程 Objective-C培训 交互设计视频教程 颜色模型
相关热词 mysql关联查询两次本表 native底部 react extjs glyph 图标 大数据产品价格如何计算 java是如何学习