在计算机视觉研究当中，HOG算法和LBP算法算是基础算法，但是却十分重要。后期很多图像特征提取的算法都是基于HOG和LBP，所以了解和掌握HOG，是学习计算机视觉的前提和基础。

HOG算法的原理很多资料都可以查到，简单来说，就是将图像分成一个cell，通过对每个cell的像素进行梯度处理，进而根据梯度方向和梯度幅度来得到cell的图像特征。随后，将每个cell的图像特征连接起来，得到一个BLock的特征，进而得到一张图片的特征。Opencv当中自带HOG算法，可以直接调用，进行图像的特征提取。但是作为一个初学者，自然应该自己手写一下HOG算法，这样能够更加透彻地去理解。

下面是我自己写的HOG,代码比较粗糙，为了适应下面的KNN分类器，HOG算法的接口设计为输入一张图片，返回一个vector向量。

class HOG{private:    Mat img;public:    vector
     
      bins;                                //返回一个图片的HOG特征;    void GetImage(Mat src);    void Cut_to_Block();                               //将图片分割成一个个Block;    void Cut_to_Cell(int pixel_x, int pixel_y);        //将图片分割成一个个Cell;    void Cell_to_bin(int x, int y);                    //对每个Cell进行处理，得到每个Cell的bins;};void HOG::GetImage(Mat src){    bins.clear();    cvtColor(src, img, COLOR_RGB2GRAY);    Cut_to_Block();}void HOG::Cut_to_Block(){    for (int i = 1; i <= img.rows - 17; i = i + 8){        for (int j = 1; j <= img.cols - 17; j = j + 8){            Cut_to_Cell(i, j);        }    }}void HOG::Cut_to_Cell(int pixel_x, int pixel_y){    for (int i = pixel_x, m = 0; m < 2; i = i + 8, m++){        for (int j = pixel_y, n = 0; n < 2; j = j + 8, n++){            Cell_to_bin(i, j);        }    }}void HOG::Cell_to_bin(int x, int y){    int pixel_x;                  //cell的像素的起始位置行坐标；    int pixel_y;                  //cell的像素的起始位置纵坐标；    float pixel[10][10];         //我们一般默认cell为8*8的像素大小,但是为了储存周边店的像素，需要多加两个像素储存点的位置；    float gradient_M[9][9];            //保存梯度的幅值；    float gradient_Angle[9][9];        //保存像素梯度的方向；    float gradient_h[9][9];    float gradient_v[9][9];    float bin[9];                    //存放一个Cell当中的bins值;    pixel_x = x;    pixel_y = y;    //为了计算方便，我们将每个Cell的像素先提取出来，存放在pixel[][]当中；    for (int i = pixel_x - 1, m = 0; i < pixel_x + 9; i++, m++){        uchar *data = img.ptr
      
       (i);        for (int j = pixel_y - 1, n = 0; j < pixel_y + 9; j++, n++){            pixel[m][n] = data[j];        }    }    //计算每个像素的梯度幅值和梯度角度；    for (int i = 1; i<9; i++){        for (int j = 1; j<9; j++){            gradient_h[i][j] = pixel[i + 1][j] - pixel[i - 1][j];            gradient_v[i][j] = pixel[i][j + 1] - pixel[i][j - 1];            gradient_M[i][j] = sqrt(gradient_h[i][j] * gradient_h[i][j] + gradient_v[i][j] * gradient_v[i][j]);            gradient_Angle[i][j] = atan2(gradient_h[i][j], gradient_v[i][j]) * 180;        }    }    //根据每个像素的幅值进行维度的区分分类；    for (int i = 0; i<9; i++){        bin[i] = 0;    }    for (int i = 1; i<9; i++){        for (int j = 1; j<9; j++){            if ((gradient_Angle[i][j] >= 0 && gradient_Angle[i][j]<20) || (gradient_Angle[i][j] >= 180 && gradient_Angle[i][j]<200)){                bin[0] = bin[0] + gradient_M[i][j];            }            if ((gradient_Angle[i][j] >= 20 && gradient_Angle[i][j]<40) || (gradient_Angle[i][j] >= 200 && gradient_Angle[i][j]<220)){                bin[1] = bin[1] + gradient_M[i][j];            }            if ((gradient_Angle[i][j] >= 40 && gradient_Angle[i][j]<60) || (gradient_Angle[i][j] >= 220 && gradient_Angle[i][j]<240)){                bin[2] = bin[2] + gradient_M[i][j];            }            if ((gradient_Angle[i][j] >= 60 && gradient_Angle[i][j]<80) || (gradient_Angle[i][j] >= 240 && gradient_Angle[i][j]<260)){                bin[3] = bin[3] + gradient_M[i][j];            }            if ((gradient_Angle[i][j] >= 80 && gradient_Angle[i][j]<100) || (gradient_Angle[i][j] >= 260 && gradient_Angle[i][j]<280)){                bin[4] = bin[4] + gradient_M[i][j];            }            if ((gradient_Angle[i][j] >= 100 && gradient_Angle[i][j]<120) || (gradient_Angle[i][j] >= 280 && gradient_Angle[i][j]<300)){                bin[5] = bin[5] + gradient_M[i][j];            }            if ((gradient_Angle[i][j] >= 120 && gradient_Angle[i][j]<140) || (gradient_Angle[i][j] >= 300 && gradient_Angle[i][j]<320)){                bin[6] = bin[6] + gradient_M[i][j];            }            if ((gradient_Angle[i][j] >= 140 && gradient_Angle[i][j]<160) || (gradient_Angle[i][j] >= 320 && gradient_Angle[i][j]<340)){                bin[7] = bin[7] + gradient_M[i][j];            }            if ((gradient_Angle[i][j] >= 160 && gradient_Angle[i][j] <= 180) || (gradient_Angle[i][j] >= 340 && gradient_Angle[i][j] <= 360)){                bin[8] = bin[8] + gradient_M[i][j];            }        }    }    //归一化；    float sum_bin = 0;    for (int i = 0; i<9; i++){        sum_bin = sum_bin + bin[i];    }    for (int i = 0; i<9; i++){        bin[i] = bin[i] / sum_bin;        if (bin[i]>0.2){            bin[i] = 0.2;        }    }    sum_bin = 0;    for (int i = 0; i<9; i++){        sum_bin = sum_bin + bin[i];    }    for (int i = 0; i<9; i++){        bin[i] = bin[i] / sum_bin;    }    //返回bin[]的值到bins向量当中；    for (int i = 0; i < 9; i++){        bins.push_back(bin[i]);    }}
      
     

写完了HOG算法，下面就开始写KNN 分类器了。KNN算法很容易理解，就是在一个元素周围选取最邻近的K个元素，然后分析这k个元素当中，哪一类占的比例最大，那么这个元素就属于该类。

同样Opencv当中也有KNN算法，为类CvKNearest()，直接调用便可以进行训练，具体地可以查阅相关文档。

class KNN{private:    vector < vector < float >> datatrain;    vector
     
       dataclass;    CvKNearest *knn;public:    KNN();    //对从HOG算法传递出来的数据进行整合处理,src表示一张图的HOG特征数组,classfile表示这张图所代表的分类；    void Data_integration(vector
      
        src, int classfile);    void KNN_Train();                      //将HOG得到的数据进行相关处理，然后进行KNN训练；    int KNN_Test(vector
       
         src);      //将KNN训练好之后，传入一个HOG特征值，返回一个分类；};KNN::KNN(){    knn=new CvKNearest();}void KNN::Data_integration(vector
        
          src, int classfile){    datatrain.push_back(src);    dataclass.push_back(classfile);}void KNN::KNN_Train(){    CvMat *DataTrain=cvCreateMat(390,900,CV_32FC1);    CvMat *DataClass=cvCreateMat(390,1,CV_32FC1);    for(int i=0;i<390;i++){        cvmSet(DataClass,i,0,dataclass[i]);        for(int j=0;j<900;j++){            cvmSet(DataTrain,i,j,datatrain[i][j]);        }    }    knn->train(DataTrain,DataClass,0,false,30,false);}int KNN::KNN_Test(vector
         
           src){    CvMat *DataSample = cvCreateMat(1, 900, CV_32FC1);    for (int i = 0; i < 900; i++){        cvmSet(DataSample,0,i,src[i]);    }    int k;    k = (int)knn->find_nearest(DataSample, 30);    return k;}
         
        
       
      
     

有个HOG 和 KNN，那现在就可以进行训练了。我有了13类车牌图片进行训练，每类30张。

在这里，有一个东西要注意一下，那就是批量读取图片。我采用了一个很笨的方法，那就是把每张图片的地址存在一个txt文档当中，然后先读取地址，然后在读取图片。这样的方法，在图片数量较少的情况下可以使用的，但是图片数量成千上百张，就很麻烦了。

int main(){    HOG Hog;    KNN Knn;    string Imageadress[390];    ifstream fin("train.txt");           //图片地址事先保存在train.txt文件当中；    for (int i = 0; i<390; i++){        getline(fin, Imageadress[i]);    //从文件当中一行一行读出地址，保存到Imgaeadree当中；    }    Mat Image[390];    for (int i = 0; i < 390; i++){        Image[i] = imread(Imageadress[i], 1);   //读入图片文件；    }    for (int i = 0; i < 390; i++){        int k = 0;        k = i / 30;             //通过整除30，来获得该图片属于哪个分类当中的；        Hog.GetImage(Image[i]);        Knn.Data_integration(Hog.bins, k);    }    Knn.KNN_Train();    //进行检测；    ifstream testin("test4.txt");    string testImageadress[70];    Mat testimg[70];    for(int i=0;i<70;i++)    {        getline(testin,testImageadress[i]);    }    for(int i=0;i<70;i++){        testimg[i]=imread(testImageadress[i],1);    }    int count=0;    for(int i=0;i<70;i++){        int k;        Hog.GetImage(testimg[i]);        k=Knn.KNN_Test(Hog.bins);        cout<
     
      <
     

训练完毕之后，我又使用13类图片，每类70张，进行检测分类。

很不幸，识别结果不是很理想，奔驰等简单的车牌识别率很高，可以达到百分之百，但是复杂的车牌识别率就瞬间下来了，当中的原因，是因为HOG算法写得有问题啊，不够好，需要改进。