Android 版本 OpenCV HOG 特征计算与提取
在计算机视觉任务中，HOG（Histogram of Oriented Gradients，方向梯度直方图） 是一种广泛用于目标检测（如行人检测） 的特征提取方法。它通过计算局部图像梯度的方向和幅值，并构造直方图来表示目标的特征。
在 OpenCV for Android 中，我们可以使用 HOGDescriptor 来计算 HOG 特征，并结合 SVM 进行分类（如行人检测）。
1. HOG 特征的原理
HOG 特征的计算步骤如下：
-
灰度化：将输入图像转换为灰度图（因为颜色信息对梯度计算影响不大）。
-
计算梯度：使用 Sobel 算子计算水平和垂直方向上的梯度。
-
计算梯度方向和幅值：
• 计算每个像素点的梯度方向 θ = arctan(Gy / Gx)
• 计算每个像素点的梯度幅值 M = sqrt(Gx² + Gy²)
- 构建方向直方图：
• 将图像划分为小块（Cell，例如 8×8 像素）
• 统计每个 Cell 内不同方向的梯度值，形成梯度直方图
- 块归一化（Block Normalization） ：
• 组合多个相邻的 Cell 形成 Block（如 16×16）
• 进行 L2 归一化，提高对光照和对比度变化的鲁棒性
- 生成 HOG 特征向量：
• 将所有 Block 的 HOG 直方图组合成最终特征向量。
2. OpenCV Android 版 HOG 特征提取
在 OpenCV for Android 中，可以使用 HOGDescriptor 进行 HOG 特征提取，并结合 SVM 进行分类。
2.1 HOG 特征计算
代码示例
import org.opencv.android.Utils;
import org.opencv.core.*;
import org.opencv.imgproc.Imgproc;
import org.opencv.objdetect.HOGDescriptor;
import android.graphics.Bitmap;
public class HOGFeatureExtractor {
public static float[] computeHOG(Bitmap bitmap) {
// 1. 转换 Bitmap 为 Mat
Mat imgMat = new Mat();
Utils.bitmapToMat(bitmap, imgMat);
// 2. 转换为灰度图
Imgproc.cvtColor(imgMat, imgMat, Imgproc.COLOR_BGR2GRAY);
// 3. 设置 HOGDescriptor
HOGDescriptor hog = new HOGDescriptor(
new Size(64, 128), // 窗口大小 (通常64x128用于行人检测)
new Size(16, 16), // Block 大小
new Size(8, 8), // Block 步长
new Size(8, 8), // Cell 大小
9 // 梯度方向数 (bins)
);
// 4. 计算 HOG 特征
MatOfFloat descriptors = new MatOfFloat();
hog.compute(imgMat, descriptors);
// 5. 返回 HOG 特征向量
return descriptors.toArray();
}
}
解释
• computeHOG() 计算图像的 HOG 特征并返回特征向量。
• HOGDescriptor 参数：
• winSize: HOG 计算窗口大小（通常 64×128）。
• blockSize: HOG Block 大小（通常 16×16）。
• blockStride: Block 滑动步长（通常 8×8）。
• cellSize: Cell 大小（通常 8×8）。
• nbins: 方向梯度直方图的 bin 数量（通常 9）。
2.2 使用 HOG 进行行人检测
OpenCV 自带了预训练的 HOG + SVM 行人检测模型，可以直接使用。
代码示例
import org.opencv.android.Utils;
import org.opencv.core.*;
import org.opencv.imgproc.Imgproc;
import org.opencv.objdetect.HOGDescriptor;
import java.util.ArrayList;
import android.graphics.Bitmap;
public class HOGPedestrianDetector {
public static Bitmap detectPedestrians(Bitmap bitmap) {
// 1. 转换 Bitmap 为 Mat
Mat imgMat = new Mat();
Utils.bitmapToMat(bitmap, imgMat);
// 2. 初始化 HOGDescriptor 并加载行人检测 SVM
HOGDescriptor hog = new HOGDescriptor();
hog.setSVMDetector(HOGDescriptor.getDefaultPeopleDetector());
// 3. 进行行人检测
MatOfRect foundLocations = new MatOfRect();
MatOfDouble foundWeights = new MatOfDouble();
hog.detectMultiScale(imgMat, foundLocations, foundWeights);
// 4. 在图像上绘制检测框
for (Rect rect : foundLocations.toArray()) {
Imgproc.rectangle(imgMat, rect.tl(), rect.br(), new Scalar(0, 255, 0), 3);
}
// 5. 转换回 Bitmap
Bitmap outputBitmap = Bitmap.createBitmap(imgMat.cols(), imgMat.rows(), Bitmap.Config.ARGB_8888);
Utils.matToBitmap(imgMat, outputBitmap);
return outputBitmap;
}
}
解释
• setSVMDetector(HOGDescriptor.getDefaultPeopleDetector())：使用 OpenCV 预训练的 SVM 行人检测模型。
• detectMultiScale() 进行多尺度行人检测：
• 返回矩形框 foundLocations 代表检测到的行人区域。
• foundWeights 表示置信度（可用于阈值筛选）。
• rectangle() 在检测到的区域绘制绿色边框。
3. 调整 HOG 参数优化检测效果
在行人检测或目标检测任务中，调整 HOG 参数可以提高检测精度和速度：
• winStride（窗口步长）：控制检测窗口的滑动步长，可优化速度。
• padding（填充）：避免边缘信息丢失。
• scale（缩放因子）：影响检测精度和计算开销。
• hitThreshold（SVM 置信度阈值）：调整误报率。
优化 HOG 检测
hog.detectMultiScale(
imgMat, foundLocations, foundWeights,
0, // hitThreshold 设为 0 以检测更多目标
new Size(8, 8), // winStride (步长)
new Size(0, 0), // padding
1.05, // scaleFactor (缩放)
2 // groupThreshold (最小检测数量)
);
4. HOG 在 Android 端的应用
| 应用场景 | 说明 |
|---|---|
| 行人检测 | 使用 HOG + SVM 预训练模型 |
| 车辆检测 | 需自定义 HOG 训练 SVM |
| 姿态估计 | 提取 HOG 特征训练分类器 |
| 手势识别 | 结合 HOG 和 CNN 训练分类模型 |
HOG 适用于检测固定模式目标，如行人、车辆、手势等，但对姿态变化敏感，可结合深度学习改进！
总结
| 方法 | 作用 | 优缺点 |
|---|---|---|
| HOG 特征提取 | 计算图像的 HOG 描述符 | 计算较快，但需手动训练分类器 |
| HOG + SVM 预训练模型 | 行人检测 | 直接使用 OpenCV 预训练模型 |
| HOG + 自定义 SVM | 目标检测（车辆、手势） | 需要手动标注数据集训练 |
