Histogramm der orientierten Gradienten (HOG) im Computer Vision

Das Histogramm der orientierten Gradienten (HOG) ist ein Algorithmus zum Extrahieren von Merkmalen, der für Aufgaben der Objekterkennung und -identifizierung verwendet wird. Es wurde erstmals von Navneet Dalal und Bill Trigs in ihrem CVPR-Papier "Histograms of Oriented Gradients for Human Detection" vorgestellt. HOG ist ein globales Deskriptormethode, die Nachbarschaftsinformationen wie Texturen und Kantenstrukturen aus einem Bild extrahiert und in einem Merkmalsvektor komprimiert. Der Algorithmus umfasst die Berechnung des Gradientenbildes, des Histogramms des Gradienten und der Normalisierung. Das Gradientenbild wird mithilfe des Sobel-Operators berechnet, der den Intensitätsunterschied bei Graustufen misst. Das Histogramm des Gradienten wird erstellt, indem die Magnitude und Orientierung jedes Pixels in ein Histogramm mit 9 Bins kombiniert werden. Danach wird eine Normalisierung angewendet, um den Einfluss von Beleuchtungs- und Kontrastvariationen zu reduzieren. Der resultierende Merkmalsvektor, der HOG-Deskriptor genannt wird, wird als Eingabe für Klassifizierungs-Algorithmen wie SVM verwendet. HOG ist insbesondere effektiv für die Erkennung von Formen und Umrissen, wie z.B. der menschlichen Form, und wird vielfach in Anwendungen der Computer Vision eingesetzt. Der Algorithmus kann leicht mit OpenCV implementiert werden, das ein eingebauten HOG-Deskriptor und ein vortrainiertes SVM-Modell für die Erkennung von Personen bereitstellt.