网站建设岗位的简介中国最厉害的公关人

网站建设岗位的简介,中国最厉害的公关人,电脑培训机构哪个好,wordpress主题logo原文#xff1a;towardsdatascience.com/histogram-of-oriented-gradients-hog-in-computer-vision-a2ec66f6e671 简介 方向梯度直方图最初由 Navneet Dalal 和 Bill Trigs 在他们 CVPR 论文[“方向梯度直方图用于人类检测”]中提出。 根据它关注的特征类型#xff0c;如纹理…原文towardsdatascience.com/histogram-of-oriented-gradients-hog-in-computer-vision-a2ec66f6e671简介方向梯度直方图最初由 Navneet Dalal 和 Bill Trigs 在他们 CVPR 论文[“方向梯度直方图用于人类检测”]中提出。根据它关注的特征类型如纹理、颜色或形状以及它描述的是整个图像还是局部信息有许多不同的特征提取算法。HOG 算法是特征提取中最基本的技术之一因为它是对象检测和识别任务的基础步骤。在本文中我们将探讨 HOG 算法的原理和实现。什么是方向梯度直方图HOGHOG 是一种全局描述符特征提取方法应用于图像中的每个像素以提取邻域信息像素的邻域如纹理并将从给定图像中压缩/抽象这些信息到一个称为特征向量的简化/浓缩向量形式该向量可以描述此图像的特征这在捕捉图像中的边缘和梯度结构时非常有用。此外我们可以比较处理后的图像以进行对象识别或对象检测。HOG 解释1- 计算梯度图像为了提取和捕获边缘信息我们应用由两个小矩阵滤波器/核组成的 Sobel 算子这些矩阵测量灰度中的强度差异 wherever there is a sharp change in intensity。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/bd8fb2856cf031b46bb320c3ff6e99bb.png作者创作我们通过卷积将此核应用于图像的像素https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/34d57e5fa6c3297d9c99f05bfbc8dcb6.png我们使用 3×3 核/滤波器Sobel 算子在图像上滑动逐元素相乘并将输出相加。作者创作在对图像应用 Sobel 核之后我们可以计算图像的幅度和方向https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/1a88d20b2eddf73927fd55f1df39c2fd.png梯度幅度。作者创作https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/1aadf6517d4aa49eff14ef25f4eea60d.png梯度方向。作者创作梯度确定了特定点的边缘强度幅度和方向方向。边缘方向与梯度向量在该点计算位置的方向垂直。换句话说向量的长度和方向。2- 计算梯度直方图对于每个像素我们有两个值幅度和方向。为了将此信息组合成有意义的东西我们使用直方图这有助于有效地组织和解释这些值。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/dd4db3efb6b467b121a490227b9631ec.pnglearnopencv.com/histogram-of-oriented-gradients/由作者编辑。我们在这些单元格8×8中创建梯度直方图这些单元格有 64 个值分布在直方图的桶中每个桶量化为 9 个桶每个桶为 20 度跨越 0°到 180°。每个像素的幅度值边缘强度被添加为对应方向的“投票”以便直方图的峰值揭示了像素的主导方向。3-归一化由于梯度幅度取决于光照条件归一化将直方图缩放以减少光照和对比度变化的影响。https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/23adac6f4e90263794c513e3316ebd5d.pnglearnopencv.com/histogram-of-oriented-gradients/由作者编辑。每个块通常由一个网格状的单元格2×2组成。这个块在图像上滑动时会有重叠意味着每个单元格都包含在多个块中。每个块有 4 个直方图4 个单元格这些直方图可以连接起来形成一个 4单元格x 9桶x 1 的向量每个块 36 x 1 元素向量示例中的整体图像7 行 x 15 列7x15x363780 个元素。这个特征向量被称为HOG 描述符生成的向量被用作分类算法如 SVM的输入。# we will be using the hog descriptor from skimage since it has visualization tools available for this exampleimportcv2importmatplotlib.pyplotaspltfromskimageimportcolor,feature,exposure# Load the imageimgcv2.imread(The path of the image ..)# Convert the original image to RGBimg_rgbcv2.cvtColor(img,cv2.COLOR_BGR2RGB)# Convert the original image to gray scaleimg_graycv2.cvtColor(img_rgb,cv2.COLOR_RGB2GRAY)plt.imshow(img_gray,cmapgray)# These are the usual main parameters to tune in the HOG algorithm.(H,Himage)feature.hog(img_gray,orientations9,pixels_per_cell(8,8),cells_per_block(2,2),visualizeTrue)Himageexposure.rescale_intensity(Himage,out_range(0,255))HimageHimage.astype(uint8)figplt.figure(figsize(15,12),dpi80)plt.imshow(Himage)https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/d22443a22954f1963f67b28fe070fba8.png莫娜丽莎图片由(WikiImages 用户 wikiimages-1897/)提供)pixabay.com/如您所见HOG 有效地捕捉了人脸的一般形状眼睛、鼻子、头部和手。这是由于 HOG 专注于图像中的梯度信息使其在检测线条和形状方面非常有效。此外我们还可以观察到图像中每个点的占主导地位的梯度和它们的强度。HOG图像中人体检测算法HOG 是计算机视觉中流行的特征描述符特别适用于检测形状和轮廓例如人体形状。此代码利用 OpenCV 内置的 HOG 描述符和专门训练用于检测人体的预训练支持向量机SVM模型。# Load the imageimgcv2.imread(The path of the image ..)# Convert the original image to RGBimg_rgbcv2.cvtColor(img,cv2.COLOR_BGR2RGB)# Convert the original image to gray scaleimg_graycv2.cvtColor(img_rgb,cv2.COLOR_RGB2GRAY)#Initialize the HOG descriptor and set the default SVM detector for peoplehogcv2.HOGDescriptor()hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())# Detect people in the image using the HOG descriptorbbox,weightshog.detectMultiScale(img_gray,winStride(2,2),padding(10,10),scale1.02)# Draw bounding boxes around detected peoplefor(x,y,w,h)inbbox:cv2.rectangle(img_rgb,(x,y),(xw,yh),(255,0,0),4)plt.imshow(img_rgb)在加载测试图像后我们使用 HOG 的 detectMultiScale 方法来检测人物winStride 设置为每步跳过一个像素通过牺牲一点精度来提高速度这在目标检测中至关重要因为这是一个计算密集型过程。尽管检测器可能识别出所有人但有时会出现误报即一个人的身体部分被检测为另一个人。为了解决这个问题我们可以应用非极大值抑制NMS来消除重叠的边界框尽管不良的配置winStride、填充、缩放有时会偶尔无法检测到对象。总结总结 HOG 描述符的计算涉及几个步骤梯度计算姿态分箱描述符块归一化特征向量形成 在这篇文章中我们探讨了 HOG 背后的数学原理以及如何通过 OpenCV 在几行代码中轻松应用这要归功于 OpenCV希望您觉得这个指南有用并且喜欢通过这些概念进行工作。感谢阅读我们下次再见参考文献L. Daudet, B. Izrar, 和 R. Motreff, 用于人类检测的定向梯度直方图2010HAL 开放科学。Satya Mallick, 图像识别和目标检测第一部分2016学习 OpenCV。Satya Mallick, 使用 OpenCV 解释的定向梯度直方图2016学习 OpenCV