【图像特征提取1】方向梯度直方图HOG

mscdj 2017-12-27

展开全文

[cpp] view plain copy print?

/********************************************************************************************************
文件说明:
HOG特征描述符的实现
算法思路:
1)将图片加载入内存，并且利用cvtColor将图像转换为grayImg
2)利用一阶微分算子Sobel函数，分别计算出grayImg图像X方向和Y方向上的一阶微分/梯度图像
3)根据得到的两幅梯度图像(X方向上的梯度图像和Y方向上的梯度图像)，然后利用cartToPolar函数，计算出这
两幅梯度图像所对应的角度矩阵图像angleMat和梯度幅值矩阵图像magnMat
4)将角度矩阵图像angleMat里面的像素强度值归一化为强度范围在[0，9）这9个范围，每一个范围就代表HOG中
的一个bins
5)以角度为为索引，将梯度幅值图像矩阵magnMat按照九个方向的梯度角度拆分为9幅梯度幅值图像矩阵
6)根据这9个角度，每个角度所对应的梯度幅值图像矩阵，并且利用OpenCv中的积分函数integral分别计算出这9
幅图像所对应的积分图像
==============至此，我们9个梯度方向上，分别对应的的9幅梯度幅值积分图已经计算完毕==================
7)计算整幅图像的梯度方向直方图HOG:要计算整幅图像的，需要先计算每个Block的HOG；要计算每个Block的HOG
要先计算每个Cell的HOG
8)计算单个Cell的HOG:由于9个梯度方向上的9张梯度幅值积分图像已经计算出来，所以这一步的计算很简单，只需
要记性加减计算，具体的函数为cacHOGinCell
9)计算单个Block的HOG:将计算出来的4个Cell的HOG组成一个Block的HOG
10)计算整幅图像的HOG:将计算出来的所有的Block的HOG梯度方向直方图的特征向量首尾相接组成一个维度很大的
整幅图像的梯度方向直方图的HOG特征向量，这个特征向量就是整幅图像的梯度方向直方图特征，这个特征
向量也可以被用于SVM的分类
算法难点:
1)积分图像的概念:网上有关积分图像的Blog一大推，但是很多讲的都不准确，最好的办法是看OpenCv的官方文档
关乎积分函数的讲解，可以结合网上的资料看
2)笛卡尔空间坐标和极坐标的转换(关键是理解一些它们之间相互转换的前提条件)
3)L1范数和L2范数:在使用归一化normalize函数时，考虑一些CV_L2到底是向量的L2范数还是矩阵的L2范数，自己
可以推到一下公式
4)关于HOG的论文，没有使用到积分图的概念，其实在HOG中使用积分图像加速了HOG的计算速度，如果使用先计算
梯度，在计算各个区域的梯度方向和梯度幅值的话，这样计算了太大，会导致HOG的性能有所下降
5)还有，这里的每个Cell的大小是20p*20p,每个Block的大小为4个Cell；当然如果用于行人检测的话，也可以使用
其他的3*3或者5*5组合
开发环境:
Win7 + OpenCv2.4.8 + VS2012
时间地点:
陕西师范大学 2017.3.14
作者:
九月
*********************************************************************************************************/
#include <opencv2/opencv.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/nonfree/features2d.hpp>
#include <iostream>
using namespace cv;
using namespace std;
#define NBINS 9
#define THETA 180 / NBINS
#define CELLSIZE 20
#define BLOCKSIZE 2
#define R (CELLSIZE * (BLOCKSIZE) * 0.5)
/********************************************************************************************************
函数功能:
计算积分图像
参数说明:
Mat& srcMat-----------------------存储每个cellHOG特征的行特征向量
2)cv::Rect roi--------------------单个cell的矩形位置
3)std::vector<Mat>& integrals-----存储的9幅积分图像，每一幅积分图像代表一个角度范围或者一个bins
*********************************************************************************************************/
// 计算积分图
std::vector<Mat> CalculateIntegralHOG(Mat& srcMat)
{
//【1】计算一阶微分的梯度图像
cv::Mat sobelMatX;
cv::Mat sobelMatY;
cv::Sobel(srcMat, sobelMatX, CV_32F, 1, 0);
cv::Sobel(srcMat, sobelMatY, CV_32F, 0, 1);
std::vector<Mat> bins(NBINS);
for (int i = 0; i < NBINS; i++)
{
bins[i] = Mat::zeros(srcMat.size(), CV_32F);
}
cv::Mat magnMat;
cv::Mat angleMat;
//【2】坐标转换,根据每一个点X方向和Y方向上的梯度，实现笛卡尔坐标和极坐标的转换
cartToPolar(sobelMatX, sobelMatY, magnMat, angleMat, true);
//【3】下面这这两行代码起始是做安全处理的，因为在将笛卡尔坐标转换为极坐标之后，角度的范围在[0,360]
// 下面这两行代码让所有的角度收缩在[0,180]这个返回
add(angleMat, Scalar(180), angleMat, angleMat<0); //如果angleMat<0，则加180
add(angleMat, Scalar(-180), angleMat, angleMat >= 180); //如果angleMat>=180，则减180
//【4】下面这行代码将角度矩阵转换为一个灰度值范围在[0,9]之间的图像
angleMat /= THETA;
//【5】下面这个循环，其实是将图像的梯度幅值矩阵按九个不同方向的梯度角度，将每个角度范围内相应点的梯度幅值
// 存储在相应的矩阵图像之上，其实就是将梯度幅值矩阵图像按照不同的梯度幅值角度分为9幅梯度幅值的图像
for (int y = 0; y < srcMat.rows; y++)
{
for (int x = 0; x < srcMat.cols; x++)
{
int ind = angleMat.at<float>(y, x);
bins[ind].at<float>(y, x) += magnMat.at<float>(y, x);
}
}
//【6】根据上面生成的9张不同角度的梯度幅值矩阵生成9张不同的梯度幅值的积分图像，至此以后，
// 积分图像的每一点就代表，这一点左上角，所有梯度幅值之和；生成的9幅积分图也就是9个
// bins，不同bins上的HOG强度
std::vector<Mat> integrals(NBINS);
for (int i = 0; i < NBINS; i++)
{
integral(bins[i], integrals[i]);
}
return integrals;
}
/********************************************************************************************************
函数功能:
计算单个cell HOG特征
参数说明:
1)cv::Mat& HOGCellMat-------------存储每个cellHOG特征的行特征向量
2)cv::Rect roi--------------------单个cell的矩形位置
3)std::vector<Mat>& integrals-----存储的9幅积分图像，每一幅积分图像代表一个角度范围或者一个bins
*********************************************************************************************************/
void cacHOGinCell(cv::Mat& HOGCellMat,cv::Rect roi,std::vector<Mat>& integrals)
{
//【1】通过9幅积分图像快速实现HOG的计算，HOG这个直方图有9个bins，每个bins就对应一张积分图像
int x0 = roi.x; //确定单个矩形cell的左上角点坐标
int y0 = roi.y;
int x1 = x0 + roi.width;
int y1 = y0 + roi.height; //确定单个矩形cell的右下角点坐标
for(int i = 0;i <NBINS; i++)
{
//【2】根据矩形的左上角点和右下角点的坐标
cv::Mat integral = integrals[i];
float a = integral.at<double>(y0,x0);
float b = integral.at<double>(y1,x1);
float c = integral.at<double>(y0,x1);
float d = integral.at<double>(y1,x0);
HOGCellMat.at<float>(0,i) = b - c - d +a;//每循环一次，计算一个梯度方向上的HOG特征，其实就是
//每循环一次，就计算梯度方向直方图上的一个bins
}
}
/********************************************************************************************************
函数功能:
获取当前窗口的HOG直方图----此块其实就是在计算单个Block的HOG梯度方向直方图
参数说明:
1)cv::Point pt--------------------单个Block的中心点坐标
2)std::vector<cv::Mat>& integrals-----存储的9幅积分图像，每一幅积分图像代表一个角度范围或者一个bins
*********************************************************************************************************/
cv::Mat getHog(cv::Point pt,std::vector<cv::Mat>& integrals)
{
if(pt.x - R<0||pt.y-R<0||pt.x+R>=integrals[0].cols||pt.y+R>=integrals[0].rows)
{
return cv::Mat();
}
//【1】BLOCK的HOG直方图---具体的来说，BLOCKSIZE*BLOCKSIZE即4个cell的HOG特征直方图特征向量
// 组成一个BLOCK的HOG特征直方图的特征向量
cv::Mat hist(cv::Size(NBINS*BLOCKSIZE*BLOCKSIZE,1),CV_32F);
cv::Point t1(0,pt.y-R);
int c = 0;
//【2】遍历块:通过下面这两个循环，就遍历了4个cell，并且将4个cell的HOG特征向量组成了一个
// 维数比较大的BLOCK的HOG特征向量
for(int i=0;i<BLOCKSIZE;i++)
{
t1.x = pt.x - R;
for(int j=0;j<BLOCKSIZE;j++)
{
//【3】获取当前窗口，进行局部HOG直方图计算
cv::Rect roi(t1,t1+cv::Point(CELLSIZE,CELLSIZE));
cv::Mat hist_temp = hist.colRange(c,c+NBINS);
//【4】根据roi确定的矩形区域，计算单个cell的HOG直方图(其本质就是一个行特征向量)
cacHOGinCell(hist_temp,roi,integrals);
t1.x += CELLSIZE;
c += NBINS;
}
t1.y = CELLSIZE;
}//for i
//【3】利用范数2进行归一化
cv::normalize(hist,hist,1,0,NORM_L2);
return hist;
}
/********************************************************************************************************
函数功能:
计算整幅图像的HOG梯度方向直方图---HOG特征
参数说明:
cv::Mat srcImage------原始的输入彩色图像
*********************************************************************************************************/
std::vector<Mat> cacHOGFeature(cv::Mat srcImage)
{
cv::Mat grayImage;
std::vector<Mat> HOGMatVector;
cv::cvtColor(srcImage, grayImage, CV_RGB2GRAY);
grayImage.convertTo(grayImage, CV_8UC1);
//【1】9个不同梯度方向上的9张梯度幅值的积分图像的生成
std::vector<Mat> integrals = CalculateIntegralHOG(grayImage);
Mat image = grayImage.clone();
image *= 0.5;
//【2】变量全图像，计算最终的梯度方向直方图HOG
cv::Mat HOGBlockMat(Size(NBINS, 1), CV_32F);
for (int y = CELLSIZE / 2; y < grayImage.rows; y += CELLSIZE)
{
for (int x = CELLSIZE / 2; x < grayImage.cols; x += CELLSIZE)
{
//【3】获取当前窗口HOG，其实当前的窗口就是一个Block，每个Block由四个cell组成，每个Cell为20*20
// 此块，计算的就是单个Block的梯度方向直方图HOG
cv::Mat hist = getHog(Point(x, y), integrals);
if (hist.empty())continue;
HOGBlockMat = Scalar(0);
for (int i = 0; i < NBINS; i++)
{
for (int j = 0; j < BLOCKSIZE; j++)
{
HOGBlockMat.at<float>(0, i) += hist.at<float>(0, i + j*NBINS);
}
}
//【4】L2范数归一化:对其得到的每个Block的的矩阵进行L2范数归一化，使其转变为一个Block的HOG特征向量
normalize(HOGBlockMat, HOGBlockMat, 1, 0, CV_L2);
//【5】最后，每得到一个Block的HOG特征向量就存入HOGMatVector，这个HOGMatVector其实就是整个图像的HOG特征向量，
// 当然，现在这个HOGMatVector还是个二维数组的形式，如果想要利用SVM对其进行分类的话，还需要将其拉伸为一
// 维特征向量
HOGMatVector.push_back(HOGBlockMat);
Point center(x, y);
//【6】绘制HOG特征图
for (int i = 0; i < NBINS; i++)
{
double theta = (i * THETA ) * CV_PI / 180.0;
Point rd(CELLSIZE*0.5*cos(theta), CELLSIZE*0.5*sin(theta));
Point rp = center - rd;
Point lp = center + rd;
line(image, rp, lp, Scalar(255 * HOGBlockMat.at<float>(0, i), 255, 255));
}
}
}
imshow("out", image);
return HOGMatVector;
}
/********************************************************************************************************
模块功能:
控制台应用程序的入口:Main函数
*********************************************************************************************************/
int main()
{
cv::Mat srcImage = cv::imread(".\\images\\hand1.jpg");
if (srcImage.empty())
return -1;
cv::imshow("srcImage ", srcImage);
std::vector<Mat> HOGFeatureMat = cacHOGFeature(srcImage);
cv::waitKey(0);
return 0;
}