👀 HOG特征提取原理 📊

在计算机视觉领域，HOG（Histogram of Oriented Gradients，方向梯度直方图）特征是一种广泛使用的图像描述子。它主要用于目标检测和物体识别任务中，通过捕捉对象轮廓和形状等局部特征来描述图像。💡

HOG特征的提取过程可以分为几个步骤：首先，将图像分割成小的连通区域，称为单元格（cell）。接着，计算每个像素点的梯度大小和方向，然后将这些信息汇总到直方图中。 Histogram（直方图）中每个柱状体代表一个特定角度范围内的梯度强度。这样一来，即使图像发生平移，HOG特征仍然能够保持不变。🔄

为了提高特征的鲁棒性，通常会对多个单元格进行分组，形成更大的区域，即块（block）。对每个块内的所有单元格进行归一化处理，以减少光照变化的影响。这样一来，HOG特征就具有了良好的光照不变性和尺度不变性。🌈

最后，将所有块的归一化后的特征向量连接起来，便形成了最终的HOG特征描述子。这些特征向量能够有效地描述图像中的边缘和纹理信息，使得机器学习算法能够在目标检测和物体识别任务中取得更好的效果。🎯