HOG,SIFT与DPM的特征向量
| 名称 | 维度 | 说明 |
|---|---|---|
| HOG | 3781 | 计算公式：[(64-16)/8+1]×[(128-16)/8+1]×36+1=3781 其中每个cell含有8×8个像素。检测窗口宽64，长128，横向和纵向步长为8，+1是一开始本身的长度。 所以计算出检测窗口中有105个block，一个block有4个cell，每个cell有9个bins。 因此一个block有36维特征向量，最后+1表示偏移项。 |
| DPM | 31 | 作者通过PCA主成分分析之后，只保留了HOG中的cell，一个8×8的Cell，将该细胞单元与其对角线 临域的4个细胞单元做归一化操作。提取有符号的HOG梯度，0-360度将产生18个梯度向量，提取无符号的HOG梯度，0-180度将产生9个梯度向量。因此，一个8×8的细胞单元将会产生，（18+9×4=108。优化方式只提取无符号的HOG梯度，将会产生4×9=36维特征，将其看成一个4×9的矩阵，分别将行和列分别相加，最终将生成4+9=13个特征向量，为了进一步提高精度，将提取的18维有符号的梯度特征也加进来，这样，一共产生13+18=31维梯度特征。实现了很好的目标检测 |
| SIFT | 最佳为128 | sift在计算特征向量的时候，是找一个所谓关键点进行计算，在8×8的像素点中，左上4×4 计算每个像素点的梯度和幅度，并且加入8个方向的梯度直方图中。右上，左下，右下同样如此。所以一个8×8的像素快将会有4×8 =32个维度特征向量。实验表明，以4个cell 也就是16×16的中心作为关键点，得到的4×4×8= 128维度的特征向量效果最好。可能这个也是HOG用4×4作为一个block的最初想法 |
DPM 公式理解
DPM的得分公式，
