HOG特征

对HOG算法每一个步骤具体详细的介绍可参考：HOG特征——行人识别

对HOG算法的特点和思想的介绍可参考：目标检测的图像特征提取之（一）HOG特征

调用Python中的skimage库提取图像HOG特征的示例代码如下，代码摘自 图像特征工程 HOG特征描述子介绍：

from skimage.io import imread, imshow
from skimage.transform import resize
from skimage.feature import hog
from skimage import exposure
import matplotlib.pyplot as plt

img = imread('lena.jpg')
resized_img = resize(img, (128, 64))

# 创建hog特征
fd, hog_image = hog(resized_img,
                    orientations=9,            # Number of orientation bins
                    pixels_per_cell=(8, 8),    # Size (in pixels) of a cell
                    cells_per_block=(2, 2),    # Number of cells in each block
                    block_norm='L2',           # Normalization using L2-norm
                    visualize=True,            # Return an image of the HOG
                    multichannel=True)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 8), sharex=True, sharey=True)
ax1.imshow(resized_img, cmap=plt.cm.gray)
ax1.set_title('Input image')
# 缩放直方图以便更好地显示
hog_image_rescaled = exposure.rescale_intensity(hog_image, in_range=(0, 10))
ax2.imshow(hog_image_rescaled, cmap=plt.cm.gray)
ax2.set_title('HoG image')
plt.show()

运行结果：

程序中的fd就是输入图像的HOG特征向量，向量长度为3780. 这个数值的计算方法可参考本文第一行的链接。