1 function [hog_Feature] = myHOG(detectedImg, options)  2 % -------------------------------------------------------------------------  3 % 实现HOG（Histogram of gradient）特征的提取过程  4 %  5 % detectedImg-- 检测窗口包含的图像（灰度图）  6 % options-- 参数结构体，包含许多参数设置：  7 %            cellH, cellW：单元大小    8 %            blockH, blockW：块大小  9 %            winH, winW：检测窗口大小     10 %            stride：块移动步长 11 %            bins：直方图长度     12 %            flag：梯度方向隐射区间（0:[0,pi],1:[0,2*pi]） 13 %            epsilon: 用于做归一化的常量因子 14 % @hog_Feature-- 检测窗口图像对应的HOG特征向量，大小为1*M，其中 15 %    M = ((winH-blockH)/stride+1)*((winW-blockW)/stride+1)... 16 %        *(blockW/cellW)*(blockH/cellH) * bins 17 % 18 % HOG特征提取步骤： 19 % ---------------- 20 % step 1.由于Dalal在论文中提到色彩和伽马归一化步骤对最终的结果没有影响，故省略该步骤； 21 % 利用[-1,0,1]和[1,0,-1]‘分别计算图像的x方向和y方向的梯度(这里不采用Sobel或是其他 22 % 边缘算子来计算梯度，是因为它们对图像做了平滑处理后再求梯度，这样会丢失很多梯度信息） 23 % 然后计算每个像素点对应的梯度幅值和方向： 24 %    ||grad|| = |grad_x| + |grad_y|（或||grad|| = sqrt(grad_x^2+grad_y^2)） 25 %    gradOri = arctan(grad_y/grad_x) （gradOri属于(-pi/2,pi/2)） 26 % 在根据参数flag将每个像素点的梯度方向映射到对应区间中,如果flag为0则选择区间[0,pi] 27 % 位于(i,j)位置像素点的方向为:  28 %       gradOri(i,j)=gradOri(i,j)<0?gradOri(i,j)+pi, gradOri(i,j)； 29 % 如果flag为1选择区间为[0,2*pi],这时需要根据grad_x和grad_y的正负来判断： 30 %  (1)grad_x>=0&&grad_y>=0(第一象限) gradOri(i,j)=arctan(grad_y/grad_x)； 31 %  (2)grad_x<0&&grad_y>=0(第二象限)  gradOri(i,j)=arctan(grad_y/grad_x)+pi； 32 %  (3)grad_x<0&&grad_y<0(第三象限)   gradOri(i,j)=arctan(grad_y/grad_x)+pi； 33 %  (4)grad_x>=0&&grad_y<0(第四象限)  gradOri(i,j)=arctan(grad_y/grad_x)+2*pi； 34 % ------------------ 35 % step 2.为了便于理解，直接写上四层循环，外面两层循环定位block,里面两层定位cell; 36 % 一个block对应(blockH*blockW/(cellH*cellW)*bins的特征向量，每个cell对应1*bins 37 % 的直方图，计算block的直方图在函数calHist中完成，这里计算直方图需要注意两点： 38 % (1)计算cell直方图时，根据像素点梯度幅值进行权值投影，投影时采用软分配方式，即 39 % 采用插值的方式进行投影，根据梯度方向距离相邻两个区间的中心点的距离进行插值； 40 % (2)Dalal在论文中提到，对于R-HOG而言，处理直方图前，在整个block加上一个高斯窗口 41 % 这样可以降低block边界像素点的权重，直方图投票值由原先的幅值变为幅值和高斯乘积； 42 % (3)完成block直方图的计算后，需要在整个block范围内进行直方图归一化操作，归一化 43 % 方式有多种，这里默认采用L2-norm(hist=hist/sqrt(hist^2+epsilon^2)). 44 % ------------------ 45 % step 3.合并检测窗口中的所有block的向量（HOG特征向量） 46 % 47 % 注：整个过程还涉及到一些细节，比如导入图像尺度和设置的检测窗口大小不同时，需要 48 % 完成尺度缩放；在求图像梯度时，边界问题如何处理，是直接填充0还是复制边界，这里 49 % 直接填充0；最后一点就是在计算block直方图时，没有进行三维插值，即每个单元中的像 50 % 素点只对该单元有投票的权力，对当前block的其他单元没有影响。 51 % 52 % Author: L.L.He 53 % Time: 6/8/2014 54 % ------------------------------------------------------------------------- 55 tic; 56 assert(nargin>=1); 57 if ~exist(‘options‘, ‘var‘) 58     % 如果参数没有指定，则设置为如下默认值 59     options = struct; 60     options.cellH = 8;   options.cellW = 8; 61     options.blockH = 16; options.blockW = 16; 62     options.winH = 64;   options.winW = 128; 63     options.stride = 8;  options.bins = 9; 64     options.flag = 1;    options.epsilon = 1e-4; 65 end 66 % 处理输入的待检测图像 67 [r, c, d] = size(detectedImg); 68 if d ~= 1 69     % 需要转换为灰度图 70     detectedImg = rgb2gray(detectedImg); 71 end 72 detectedImg = double(detectedImg); 73 if r~=options.winH && c~=options.winW 74     % 根据检测窗口的大小对输入图像进行尺度缩放(采用双线性插值) 75     detectedImg = imresize(detectedImg, [options.winH options.winW],... 76                            ‘bilinear‘); 77 end 78  79 % step 1--采用1-D差分卷积核计算x方向和y方向的梯度（幅值和方向） 80 mask = [-1, 0, 1]; 81 [grad, gradOri] = calGrad(detectedImg, mask, options.flag); 82  83 % 根据block的大小计算高斯核 84 sigma = min(options.blockH, options.blockW)*0.5; 85 sigma_2 = sigma.^2; 86 [X, Y] = meshgrid(0:options.blockW-1,0:options.blockH-1); 87 X = X - (options.blockW-1)/2; 88 Y = Y - (options.blockH-1)/2; 89 gaussWeight = exp(-(X.^2+Y.^2)/(2*sigma_2)); 90  91 % 创建一个三维矩阵存放所有block的直方图 92 r_tmp = (options.winH-options.blockH)/options.stride+1; 93 c_tmp = (options.winW-options.blockW)/options.stride+1; 94 b_tmp = options.bins *(options.blockH*options.blockW)/... 95         (options.cellH*options.cellW); 96 blockHist = zeros(r_tmp, c_tmp, b_tmp); 97  98 % step 2--计算检测窗口中每个block的直方图(HOG特征向量) 99 for i=1:options.stride:(options.winH-options.blockH+1)100     for j=1:options.stride:(options.winW-options.blockW+1)101         block_grad = grad(i:i+options.blockH-1,j:j+options.blockW-1);102         block_gradOri = gradOri(i:i+options.blockH-1,j:j+options.blockW-1);103         % 计算单个block的直方图（投票值为梯度幅值和高斯权重的乘积），并进104         % 进行归一化处理105         block_r = floor(i/options.stride)+1;106         block_c = floor(j/options.stride)+1;107         blockHist(block_r,block_c,:) = calHist(block_grad.*gaussWeight, ...108                            block_gradOri, options);109     end110 end111 112 % step 3--将所有block的直方图拼接成一维向量作为检测窗口的HOG特征向量113 hog_Feature = reshape(blockHist, [1 numel(blockHist)]);114 toc;115 end116 117 % =========================================================================118 function [grad, gradOri] = calGrad(img, mask, flag)119 % -------------------------------------------------------------------------120 % 利用指定的差分卷积核计算x方向和y方向的梯度(包括幅值和方向)121 % img-- 源图像122 % mask-- 计算x方向梯度的差分卷积核(y方向的卷积核是转置后取反)123 % flag-- 梯度方向隐射区间标识124 % @grad-- 梯度幅值125 % @gradOri-- 梯度方向126 % -------------------------------------------------------------------------127 assert(nargin==3);128 xMask = mask;129 yMask = -mask‘;130 grad = zeros(size(img));131 gradOri = zeros(size(img));132 grad_x = imfilter(img, xMask);133 grad_y = imfilter(img, yMask);134 % 计算梯度幅值和方向角135 grad = sqrt(double(grad_x.^2 + grad_y.^2));136 if flag == 0137     % 将梯度方向映射到区间[0,pi]138     gradOri = atan(grad_y./(grad_x+eps));139     idx = find(gradOri<0);140     gradOri(idx) = gradOri(idx) + pi;141 else142     % 将梯度方向映射到区间[0,2*pi]143     % 第一象限144     idx_1 = find(grad_x>=0 & grad_y>=0);145     gradOri(idx_1) = atan(grad_y(idx_1)./(grad_x(idx_1)+eps));146     % 第二（三）象限147     idx_2_3 = find(grad_x<0);148     gradOri(idx_2_3) = atan(grad_y(idx_2_3)./(grad_x(idx_2_3)+eps)) + pi;149     % 第四象限150     idx_4 = find(grad_x>=0 & grad_y<0);151     gradOri(idx_4) = atan(grad_y(idx_4)./(grad_x(idx_4)+eps)) + 2*pi;152 end153 end154 % =========================================================================155 156 % =========================================================================157 function hist = calHist(block_grad, block_gradOri, options)158 % -------------------------------------------------------------------------159 % 计算单个block的直方图(它由多个cell直方图拼接而成)，并归一化处理160 % block_grad-- block区域对应的梯度幅值矩阵161 % block_gradOri-- block区域对应的梯度方向矩阵162 % options-- 参数结构体，可以得到block中有多少个cell163 % -------------------------------------------------------------------------164 bins = options.bins;165 cellH = options.cellH; cellW = options.cellW;166 blockH = options.blockH; blockW = options.blockW;167 assert(mod(blockH,cellH)==0&&mod(blockW,cellW)==0);168 hist = zeros(blockH/cellH, blockW/cellW, bins);169 % 每个bin对应的角度大小（如果bins为9，每个bin为20度）170 if options.flag == 0171     anglePerBin = pi/bins; 172     correctVar = pi; % 用来修正currOri为负的情况173 else174     anglePerBin = 2*pi/bins;175     correctVar = 2*pi;176 end177 halfAngle = anglePerBin/2; % 后面要用到先计算出来178 for i = 1:blockH179     for j=1:blockW180         % 计算当前位置(i,j)属于的单元181         cell_r = floor((i-1)/cellH)+1;182         cell_c = floor((j-1)/cellW)+1;183         184         % 计算当前像素点相连的两个bin并投票185         currOri = block_gradOri(i,j) - halfAngle;186         % 为了将第一个bin和最后一个bin连接起来，视0度和180度等价187         if currOri <= 0188             currOri = currOri + correctVar;189         end190         % 计算该像素点梯度方向所属的两个相连bin的下标191         pre_idxOfbin = floor(currOri/anglePerBin) + 1;192         pro_idxOfbin = mod(pre_idxOfbin,bins) + 1;193         % 向相邻的两个bins进行投票(到中心点的距离作为权重)194         center = (2*pre_idxOfbin-1)*halfAngle;195         dist_w = (currOri + halfAngle-center)/anglePerBin;196         hist(cell_r,cell_c,pre_idxOfbin) = hist(cell_r,cell_c,pre_idxOfbin)...197                                            + (1-dist_w)*block_grad(i,j);198         hist(cell_r,cell_c,pro_idxOfbin) = hist(cell_r,cell_c,pro_idxOfbin)...199                                            + dist_w*block_grad(i,j);200     end201 end202 % 将每个cell的直方图合并（拼接一维向量）203 hist = reshape(hist, [1 numel(hist)]);204 % 归一化处理（默认选择L2-norm，可以用其他规则替代）205 hist = hist./sqrt(hist*hist‘+ options.epsilon.^2);206 end207 % =========================================================================