在学习HOG特征的时候，发现一片英文文章讲得浅显易懂。因此翻译在这里学习。(文中的图片均来自翻译原文)

原文链接：Histogram of Oriented Gradients

翻译：梯度方向直方图Histogram of Oriented Gradients (HOG)

一次不太成功的项目实战：HOG特征+SVM实现交通标志的检测 这篇博文写的也是相当不错，很有工程性

---

Histogram of Oriented Gradients为系列博客Image recongnition and object detection.

完整的tutorials系列如下：

1. part1:图像识别——使用传统的计算机视觉方法
2. part2:HOG直方图
3. part3:图像识别的例子code
4. part4a:训练一个更好的eye detector
5. part4b:使用传统的计算机视觉方法进行目标检测
6. part5:怎么训练和测试自己的OpenCV Object detector
7. part6:使用深度学习的图像识别
   1. 神经网络介绍
   2. 理解反馈神经网络
   3. 利用卷积神经网络CNN进行图像识别
8. part7:深度学习的目标检测

1.一次不太成功的项目实战：HOG特征+SVM实现交通标志的检测

• resize导致扭曲变形，对SVM来说是不利的
• 正样本需要包含一部分背景信息，有利于提高模型对噪声的鲁棒性
• 可以扩充样本，镜像等
• 针对性的选取负样本，有利于模型训练的负样本。
• SVM惩罚因子C的取值对训练的影响很大
• 训练集：3474，正样本扩充为原来的2倍，负样本没有扩充。验证集322的accuracy为97.2%。
• Recall低是漏检导致的，不是分类器导致的。
• bad case分析
  • 光照不均匀，提取不到背景框
  • 复杂或相似的背景干扰，提取不到背景框
  • 局部遮挡或丢失——在特征提取过程中加入了噪声，主要影响分类器的识别。
  • 多个标志相邻，检测会当成整体，导致漏检和误检。
  • 相似标志或背景的干扰。
  • 小目标检测，resize后的图像往往不能准确的反映小目标的HOG特征（分辨率过低），导致提取的特征很粗糙，不利于分类。

---

这样候选区域虽然选出来了，但是还需要考虑到一件事，我们找出的候选框大小不一，而我们后面的SVM需要固定长度的特征向量，因此在HOG特征提取之前，应把所有的候选区域调整到固定大小（代码中我用的是64×64），这里提供两种解决方案：

• （1）不管三七二十一，直接将候选区域resize成指定大小，这样做很简单，但是扭曲了原始候选区域的目标信息，不利于SVM的识别（当然，如果用卷积神经网络，这一点问题不是太大，因为卷积神经网络对于物体的扭曲形变有很好的学习能力）；
• （2）提取正方形候选区域，然后resize到指定大小。即对于一个（H×W）的候选框，假设H<W，我们先以长边W围绕候选框中心裁剪出正方形区域，然后再resize，这样做的好处是避免了大部分候选框中目标的扭曲变形。为什么说大部分呢？当某一个候选框在靠近图像边界的时候，如果使用长边裁剪，会出现越界的问题。对于这种情况，我的做法是先沿着边界裁剪出一个矩形区域，再进一步resize成指定大小（细节和代码我会在下面SVM数据集制作上详细介绍）。

SVM分类的数据集创建，构建一个用于分类的数据集。从目标检测的数据集中裁剪出目标区域作为SVM分类的正样本，同时裁剪出其他的区域作为负样本。

（1）对于包含目标的图片，直接根据标签信息裁剪出一个正方形区域（以长边为边长，少数边界情况需要变形），并移除一些不好的样本（size很小的区域）。这里裁剪出的正样本或多或少包含一部分背景信息，这有利于提高模型对噪声的鲁棒性，同时也为样本较少的情况下数据扩充（如仿射变换）提供了可能。

（2）对于不包含任何目标的图片，通过颜色阈值分割（红色和蓝色）和凸包检测提取一些区域，并裁剪正方形区域（以长边为边长），移除面积较小的区域。与直接随机裁剪相比，这种做法更有针对性，因为在检测提取候选框的时候，很多和交通标志颜色很像的区域会被找出来，直接把这些样本当作负样本对于我们的模型训练很有帮助。

 

小目标检测
当目标较小的时候，我们在HOG特征提取之前先进行了resize操作，但resize后的图像往往不能准确的反映小目标的HOG特征（分辨率过低），导致提取的特征很粗糙，不利于分类。