- /********************************************************************************************************
- 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;
- }
请选中你要保存的内容,粘贴到此文本框
|