😏:Hog

HOG 디스크립터

HOG(Histogram of Oriented Gradient)는 보행자 검출을 목적으로 만들어진 특징 디스크립터 중 하나로 엣지의 기울기 방향과 규모를 히스토그램으로 나타낸 것.
SIFT, SURF, ORB 등과 같은 특징 스크립터들은 특징점 하나하나에 대해서 서술하고 있어서 객체의 지역적 특성을 표현하는 데는 뛰어나지만, 전체적인 모양을 특징으로 표현하기 어렵다.
그에 반에서. HOG는 대상 객체의 상태나 자세가 약간 다르 더라도 그 특징을 일반화해서 같은 객체로 인식하는 것이 특징이다.

작업순서

1. 전체 이미지에서 인식하고자 하는 영역을 잘라내야한다. 이것을 윈도(window)라고 함.

2. 잘라낸 영역을 소벨 필터를 이용해서 엣지의 기울기 gx, gy를 구하고, 기울기의 방향과 크기 계산

img = cv2.imread('img.png')
img = np.flaot(img)

gx = cv.Sobel(img, cv.CV_32F, 1, 0)
gy = cv.Sobel(img, cv.CV_32F, 0, 1)
magnitude, angle = cv.cartToPolar(gx, gy) 

HOG API

• descriptor = cv2.HOGDescriptor(winSize, blockSize, blockStride, cellSize, nbins): HOG 크스립터 추출기 생성

_{winSize : 윈도 크기, HOG 추출 영역
blockSize: 블록 크기, 정규화 영역
blockStride : 정규화 블록 겸침 크기
cellSize : 셀 크기, 히스토그램 계산 영역
nbins : 히스토그램 계급 수
descriptor : HOG 특징 디스크립터 추출기}

• hog = descriptor.compute(img): HOG 계산

_{img : 계산 대상 이미지
hog : HOG 특징 스크립터 결과}

보행자 인식을 위한 미리 훈련된 HOG API

• svmdetector = cv2.HOGDescriptor_getDefaultPeopleDetector() : 64x128 윈도 크기로 훈련된 모델

• svmdetector = cv2.HOGDescriptor_getDaimlerPeopleDetector(): 48x96 윈도 크기로 훈련된 모델

• descriptor = cv2.HOGDescriptor(winSize, blockSize, blockStride, cellSize, nbins) : HOG 생성

• descriptor.setSVMDetector(svmdetector) : 훈련된 SVM 모델 설정

• rects, weights = descriptor. detectMultiScale(img) : 객체 검출

_{img: 검출하고자 하는 이미지
rects: 검출된 결과 영역 좌표 NX4(x,y,w,h)
weights: 검출된 결과 계수 N X 1}

실습

• MNIST 손글씨 HOG-SVM 학습

• HOG-SVM으로 손글씨 숫자 인식

• HOG-SVM 보행자 검출