HOF特征+MBH特征

上文学习了HOG特征，了解了HOG是这样的计算过程。接下来学习HOF特征和MBH特征，不足之处，还望指正！

1.HOF特征

1）概念　　

　　HOF（Histograms of Oriented Optical Flow）是计算光流方向的直方图，通常用于Action Recogntion中。而HOG则是计算图像梯度方向的直方图

2）提出原因

　　一方面，光流对于运动方向，背景变化敏感。另一方面，在动作识别中，相应的光流特征描述子的维度在变化。于是，需要寻找一个基于光流的既能表征时域动作信息，又对尺度和运动信息方向不敏感的特征。这就是HOF的由来。

3）计算步骤：

　　1.计算光流，对于光流法，参考

　　2.统计直方图

　　　　计算光流矢量与横轴的夹角，根据角度将其投影到对应的直方图bin中，并根据该光流的幅值进行加权（消除背景的影响！）

　　　　v表示光流，θ表示光流方向，b表示直方图第几bin，B一般表示要投影到对于直方图的bin数，如下例则表示是4

　　　　　　

  

   当角度落在范围时，

   其幅值作用到直方图第b个bin中最后归一化直方图。

 

　　　　

　　3.归一化

　　补充：

1. 以横轴为基准计算夹角能够使HOF特征对运动方向（向左和向右）不敏感。
2. 通过归一化直方图实现HOF特征的尺度不变性。
3. HOF直方图通过光流幅值加权得到，因此小的背景噪声对直方图的影响微乎其微。
4. 通常直方图bin取30以上识别效果较好。

2.MBH特征

学习了HOG和HOF后，MBH（Motion Boundary Histograms）也就相对好理解了！通俗来说，MBH是对光流图像视为x方向和y方向的灰度图像，然后提取这些灰度图像的梯度直方图。也就是MBH特征是分别在图像的x和y方向光流图像上分别计算HOG特征！

    由上图可以看出，MBH特征的计算效果就是提取了运动物体的边界信息（也因此被称为Motion Boundary Histograms），在行人检测这个应用场景能起到不错的效果。此外，其计算也非常简单方便，易于使用。

参考自    （1）https://blog.csdn.net/u013089961/article/details/44981815

　　　　（2）https://blog.csdn.net/wzmsltw/article/details/52752587