Histograms of Oriented Gradients(HOG)

Slides:



Advertisements
Similar presentations
だい六か – クリスマスとお正月 ぶんぽう. て form review ► Group 1 Verbs ► Have two or more ひらがな in the verb stem AND ► The final sound of the verb stem is from the い row.
Advertisements

て -form - Making て -form from ます -form -. With て -form, You can say... ~てもいいですか? (= May I do…) ~てください。 (= Please do…) ~ています。 (= am/is/are doing…) Connecting.
第 5 章 2 次元モデル Chapter 5 2-dimensional model. Contents 1.2 次元モデル 2-dimensional model 2. 弱形式 Weak form 3.FEM 近似 FEM approximation 4. まとめ Summary.
Essay writing rules for Japanese!!. * First ・ There are two directions you can write. ・よこがき / 横書き (same as we write English) ・たてがき / 縦書き (from right to.
VE 01 え form What is え form? え? You can do that many things with え form?
HOG特徴に基づく 単眼画像からの人体3次元姿勢推定
英語勉強会(詫間English) /26 三木裕太.
画像処理論.
英語勉強会.
 辞書系(じしょけい).
Chapter 11 Queues 行列.
日本語... ジェパディー! This is a template for you to use in your classroom.
と.
Food, Places, and People.
2010年7月9日 統計数理研究所 オープンハウス 確率モデル推定パラメータ値を用いた市場木材価格の期間構造変化の探求 Searching for Structural Change in Market-Based Log Price with Regard to the Estimated Parameters.
英語勉強会 住谷⇨若松 2015/10/29 2限.
じょし Particles.
What did you do, mate? Plain-Past
Verb Plain Negativeform
画像特徴(点、直線、領域)の検出と識別-2 呉海元@和歌山大学 2007年5月14日
Noun の 間(に) + Adjective Verb てform + いる間(に) during/while.
Ch13-1 TB250 てフォーム.
Japanese verbs informal forms
There are 5 wearing verbs in Japanese depending on the part of body or the item being worn.
SP0 check.
前回の練習問題について 情報記号 (x1, …, xk) に対し,検査記号 p = x1+…+xk+1として与えられる奇パリティ符号を考える.この符号が線形符号とならないことを証明せよ. 解答例: 線形符号とならない反例を示せばよい. x1=1, x2=x3=...=xk=0 ⇒ p = 0,対応する符号語は
V 03 I do NOT eat sushi. I do NOT do sumo.
日本語3 4月26日 漢字ゲス 出会い How do people meet? お見合いは何ですか?
十年生の 日本語 Year 10 Writing Portfolio
Reasonので + Consequence clause
Chapter 4 Quiz #2 Verbs Particles を、に、で
The Sacred Deer of 奈良(なら)
VTA 02 What do you do on a weekend? しゅうまつ、何をしますか。
Nihongo Japanese 日本ご ‘Numbers ’ & ‘Hiragana Revision’
ストップウォッチの カード ストップウォッチの カード
Topics on Japan これらは、過去のインターンが作成したパワポの写真です。毎回、同じような題材が多いため、皆さんの出身地等、ここにない題材も取り上げるようにしてください。
New accessory hardware Global Platform Division
て みる.
Causative Verbs Extensively borrowed from Rubin, J “Gone Fishin’”, Power Japanese (1992: Kodansha:Tokyo) Created by K McMahon.
-Get test signed and make corrections
Songzhu Gao, Tetsuya Takiguchi, Yasuo Ariki (Kobe University) 
Term paper, Report (1st, first)
WELCOME TO THE WORLD OF DRAGON BALL
Where is Wumpus Propositional logic (cont…) Reasoning where is wumpus
東京農業大学 東京情報大学 附属第一高等学校・中等部 附属第二高等学校 附属第三高等学校・中等部
岡山大学 工学部 情報工学科 (大学院自然科学研究科 計算機科学講座) 尺長 研究室
クイズやゲーム形式で紹介した実例です。いずれも過去のインターン作です。
Polarization Multiplexing for Bidirectional Imaging
複数特徴量の重み付け統合による一般物体認識
SURF+BoFによる特定物体認識 卒業研究1 1 11/27/11.
著者:六川修一 著者:六川修一 原画像(左画像)は ©METI and JAXA[2007] Distributed by ERSDAC 著者:六川修一.
2019/4/22 Warm-up ※Warm-up 1~3には、小学校外国語活動「アルファベットを探そう」(H26年度、神埼小学校におけるSTの授業実践)で、5年生が撮影した写真を使用しています(授業者より使用許諾済)。
Genetic Statistics Lectures (4) Evaluation of a region with SNPs
北大MMCセミナー 第62回 附属社会創造数学センター主催 Date: 2016年11月4日(金) 16:30~18:00
どのような特徴を見ているのか ― 計算の目的
ー生命倫理の授業を通して生徒の意識に何が生じたかー
The difference between adjectives and adverbs
Created by L. Whittingham
東北大 情報科学 田中和之,吉池紀子 山口大 工 庄野逸 理化学研究所 岡田真人
距離空間ピラミッドを用いた LLCによる3次元物体認識
MO装置開発 Core part of RTR-MOI Photograph of core part.
Visualizing Japanese Grammar Appendix
Cluster EG Face To Face meeting
せつぞくし 接続詞 Conjunctions.
Grammar Point 2: Describing the locations of objects
Measurements of J/ψ with PHENIX Muon Arms in 2003 p+p Collisions
グラフ-ベクトル変換を用いたグラフ構造表現による一般物体認識
アノテーションガイドラインの管理を行う アノテーションシステムの提案
Improving Strategic Play in Shogi by Using Move Sequence Trees
HYSPRIT Chiba campaign (daily)
Presentation transcript:

Histograms of Oriented Gradients(HOG) Taichiro TOKUMORI Motoki ISA Shoshi TAMAKI

What is HOG!? (Histograms of Oriented Gradients)   HOG is an edge orientation histograms based on the orientation of the gradient in localized region that is called cells.     Therefore, it is easy to express the rough shape of the object and is robust to variations in geometry and illumination changes.  On the other hand, rotation and scale changes are not supported.

HOG image

HOG feature extraction algorithm The color image is converted to grayscale the luminance gradient is calculated at each pixel To create a histogram of gradient orientations for each cell. Feature quantity becomes robust to changes of form Normalization and Descriptor Blocks Feature quantity becomes robust to changes in illumination Describes the algorithm to extract the Hog. First, convert color images to grayscale. This process minimizes the color information. Next, calculate the luminance gradient at each pixel. Then, create a gradient orientation histogram for each cell. This process can get the feature quantity that are robust to changes of form. Finally, the normalization of the features for each block. By this process, the feature is robust to changes in illumination. Next, we explain each specific algorithm. 次にHog特徴量を抽出するアルゴリズムについて説明します。まず始めに、カラー画像をグレースケールに変換します。これにより、色の情報を最小化します。次に各ピクセルにおける輝度勾配を算出します。そして、セルごとに勾配方向のヒストグラムを作成します。これにより、物体の形状変化に頑健な特徴量を得ることができます。最後にプロックごとに特徴量の正規化を行います。この処理により、照明変化に頑健な特徴量となります。次スライドからそれぞれの具体的なアルゴリズムを説明していきます。

HOG feature extraction algorithm(1) 2. The luminance gradient is calculated at each pixel The luminance gradient is a vector with magnitude m and orientation θ represented by the change in the luminance. This slide explains how to calculate the luminance gradient of each pixel. Here, luminance gradient is a vector expresseda change in luminance by the magnitude m and orientationθ. Then, luminance magnitude m of (x, y)coordinates of the image coordinate system is given by the equation. In this equation, Magnitude stronger insomuch as the difference in luminance more intense vertical and horizontal target pixel, In addition, the luminance orientation is given by the expression. L contained in these expressions is is the luminance value of pixel. Applying this process to all pixels, this figure looks like. まず、各ピクセルの輝度勾配の算出方法について説明します。ここで、輝度勾配とは輝度の変化を方向θと強度mにより表すべくとるのことをさしています。よって、画像座標系の座標(x,y)の輝度強度mはこの式により求められます。この式では、求める画素の上下左右の輝度値の差が激しいほど強度が高くなっていきます。また、輝度方向は次の式により求められます。この処理をすべてのピクセルに適用すると、この図のようになります。 ※L is the luminance value of pixel

HOG feature extraction algorithm(2) 3. To create a histogram of gradient orientations for each cell(5×5pixel) using the gradient magnitude and orientation of the calculated. The orientation bins are evenly spaced over 0°– 180° and are provided by nine of 20°. By adding the magnitude of the luminance gradient for each orientation, generation a histogram. Next, I describe how to create a histogram of the gradient in the cell area. Here, the cell area is an area that consists of a 5 times 5 pixels. This image shows how the division of cells. divided into a single image like this, this one area called a cell. Using the magnitude and orientation of the gradient, create the luminance gradient histogram for each cell area. At that time, the orientation bins are evenly spaced over 0°– 180° and are provided by nine of 20°. In other words, a feature vector of one cell is limited to 9 dimension. By adding the gradient magnitude in the bin corresponding to the gradient direction, can create a histogram, as shown below. This process can provide a robust feature quantity change in the shape of the object. because the value of the histogram does not change, even if the edge translation in the cell. 次にセル領域においての勾配ヒストグラムを作成する方法について説明します。ここで、セル領域とは、5*5のピクセルで構成された領域です。この画像を見てもらえば分かると思いますが、1枚の画像がこのように分割されており、この一つがセルと呼ばれる領域になっています。そして求めた輝度勾配の強度と方向を用いて、セル領域ごとに輝度の勾配ヒストグラムを作成します。その際、ヒストグラムにおける勾配の方向の選択は、0~180度の範囲で、20度ずつ9分割されたもので行われます。つまり、一つのセルの特徴ベクトルは9次元に制限されます。ヒストグラムに投票する方向が決まったら、その方向に勾配強度を加算することで、次図のようなヒストグラムを作ることができます。 この処理によって、エッジ情報を局所領域でヒストグラム化することで、物体の形状変化に頑健な特徴量を得ることが出来ます。これは、セル内でエッジが平行移動した場合でも、ヒストグラムの値は変化しないことに起因しています。 Orientation num is

HOG feature extraction algorithm(3) 4. Normalization and Descriptor Blocks Normalization is performed using the following equation: Gradient strengths vary over a wide range owing to local variations in illumination and foreground-background contrast, so need to normalization. Normalization is performed using this equation. v (n) is the length of this line. The length of this line is related to the vertical axis of the histogram. Direction of the line is related to the horizontal axis of the histogram. This part is the sum of the length of this line in the block. Because the shape of the histogram are arranged by this process, robust to changes in illumination. 正規化はこの式を用いて行います。v(n)はこの線の長さです。この線の長さはヒストグラムの縦軸に、方向はヒストグラムの横軸と関係しています。この部分は、ブロック内のこの線の長さの合計です。 この処理でヒストグラムの形状が整えられるため、照明の変化に頑健になります。 v is the mugnitude of each direction Block (3 × 3 cell) is performed by moving one cell to the entire region.

HOG feature extraction algorithm(3) 4. Normalization and Descriptor Blocks Normalization is performed using the following equation: Gradient strengths vary over a wide range owing to local variations in illumination and foreground-background contrast, so need to normalization. Normalization is performed using this equation. v (n) is the length of this line. The length of this line is related to the vertical axis of the histogram. Direction of the line is related to the horizontal axis of the histogram. This part is the sum of the length of this line in the block. Because the shape of the histogram are arranged by this process, robust to changes in illumination. 正規化はこの式を用いて行います。v(n)はこの線の長さです。この線の長さはヒストグラムの縦軸に、方向はヒストグラムの横軸と関係しています。この部分は、ブロック内のこの線の長さの合計です。 この処理でヒストグラムの形状が整えられるため、照明の変化に頑健になります。 v is the mugnitude of each direction Block (3 × 3 cell) is performed by moving one cell to the entire region.

HOG image

Example of using HOG HOG can represent a rough shape of the object, so that it has been used for general object recognition, such as people or cars. In order to achieve the general object recognition, the classifier (eg SVM) is be used. To teach the classifier, the correct image and the incorrect image. Scan the classifier to determine whether there are people in the detection window. 物体の大まかな形状を表現できるという点から、一般物体認識に用いられている。 一般物体認識を行うためには識別器(SVMなど)を利用する。 識別器に、HOG特徴量を抽出した正解画像と不正解画像を大量に学習させる。 識別器をスキャンし、検出ウィンドウに人がいるか否かを判定する。

SVM success   SVM divides space into two domains according to a teacher signal.   New examples are predicted to belong to a category based on which side of the gap domain.

SVM success   SVM divides space into two domains according to a teacher signal.   New examples are predicted to belong to a category based on which side of the gap domain.

SVM success

DEMO