Histogramme des gradients orientés (HOG) en vision par ordinateur

L'histogramme des gradients orientés (HOG) est un algorithme d'extraction de caractéristiques utilisé pour les tâches de détection et de reconnaissance d'objets. Il a été introduit pour la première fois par Navneet Dalal et Bill Triggs dans leur article CVPR "Histogrammes des gradients orientés pour la détection des humains". Le HOG est une méthode de descripteur global qui extrait des informations de voisinage, telles que la texture et les structures de bord, à partir d'une image et les compresse dans un vecteur de caractéristiques. L'algorithme implique le calcul de l'image de gradient, de l'histogramme du gradient et de la normalisation. L'image de gradient est calculée en utilisant l'opérateur de Sobel, qui mesure la différence d'intensité en niveaux de gris. L'histogramme du gradient est créé en combinant la magnitude et l'orientation de chaque pixel dans un histogramme avec 9 compartiments. La normalisation est ensuite appliquée pour réduire l'influence des variations d'éclairage et de contraste. Le vecteur de caractéristiques résultant, appelé descripteur HOG, est utilisé comme entrée pour les algorithmes de classification tels que SVM. Le HOG est particulièrement efficace pour détecter les formes et les contours, tels que la forme humaine, et est largement utilisé dans les applications de vision par ordinateur. L'algorithme peut être facilement mis en œuvre en utilisant OpenCV, qui fournit un descripteur HOG intégré et un modèle SVM pré-entraîné pour détecter les personnes.