VisualApplets
基础知识与示例

图372展示了用于计算 HOG 特征的 VA 设计的基本结构。对于 CameraLink 基本配置下相机拍摄的灰度图像，在 HierarchicalBox HOG中计算方向梯度直方图。该直方图通过 DMA 发送到 PC，具体实现见设计“HOG_9Bins_Histogram.vad”。在 VA 设计“HOG_4Bins_HistogramMax.vad”和“HOG_9Bins_HistogramMax.vad”中，最大分量被转发到 PC。下面我们将解释“HOG_4Bins_HistogramMax.vad”的设计结构，其他两个设计与之类似。我们将针对相应问题解释设计中可能存在的差异。默认平台为marathon VCL。该设计方案可以轻松适应其他平台或相机配置。

您可以在图373中看到 HierarchicalBox HOG的内容。

对于原始输入图像，x 方向和 y 方向的梯度在 HierarchicalBox GradientFilter 中计算。实现方式如图 47 所示。 算子 FIRkernelNxM 生成一个 3x3 核。算子 FIRoperatorNxM_VerticalEdges 和 FIRoperatorNxM_HorizontalEdges 根据公式 47 选择 x 方向和 y 方向的梯度。

对于这些梯度，根据公式48 ，其幅值和方向在MagnitudeOrientation框中实现（内容和结构见图375 ）。框中的详细注释有助于理解所实现的公式。

在 HierarchicalBox ExtractBlocks中，像素被分组为 8x8 像素的单元格。该框的输出链接以 64 像素长的线条形式传递单元格的梯度幅值和方向。这些信息用于计算方向梯度直方图，该计算在 HierarchicalBox Histogram中完成。您可以在图376中查看其内容。

在此，梯度方向分配（其区域可处于 变为 ）在框 SplitOrientations中划分为四个 bin。这些 bin 为 , , 和 对于设计“HOG_9Bins_Histogram.vad”和“HOG_9Bins_HistogramMax.vad”，有九个箱（ 变为 范围内的任意值，步长为 )。 梯度方向分配到特定区间的方式是：计算该方向对于该区间的权重。例如，权重及因此分配到区间 1（即 ）的情况如图 377.

在此处，权重 。最后，将各个颜色分量合并（参见图 49 是为区间 1 计算的。在此示例中，区间之间的角度距离为 CONST_Phi_45Deg （算子 （位于 盒 Sub45Deg中）。区间 1 的角度区间方向 也是 （算子 CONST_Chi_45Deg）。然后，每个区间的加权因子与梯度幅值相乘（参见图 376）。在盒 HistogramColumn_0 变为 HistogramColumn_3 中，根据公式计算每个直方图列（针对每个区间）的内容，即所有图像像素的加权梯度幅值的总和。方向梯度直方图随后通过使用算子 50 合并直方图列来生成 MergeKernel_Histogram。 只有每个核分量的最后一个像素才是直方图列的真实值，因此它在盒中被选定 LastPixelOnly。为了考虑局部梯度变化，每个单元的定向梯度直方图（Histogram of Oriented Gradients）被组合成每个块 2x2 个单元大小的块，重叠度为 （参见本节的理论部分）。单元向块的组合是在方框 ConcatenateWithNeighbors中执行的。其内容见图 378.

对于每个包含方向梯度直方图信息的单元格（由单个像素表示），使用运算符SplitKernel将每个 bin 的直方图列分开。对于每个核分量，使用运算符PixelNeighbours1xM和LineNeighboursNx1计算 x 和 y 方向上的相邻单元格。运算符FIRoperatorNxM将 2x2 单元格的信息求和。此处未执行归一化。作为一种替代实现，可以通过将运算符Const_Enable设置为零来省略单元格分组到块中。在GetHistogramMax框中选择计算出的方向梯度直方图的最大值（参见图373 ）。其内容如图379所示。在设计“HOG_9Bins_Histogram.vad”中，省略了直方图最大值的选择。

最后，直方图的最大值或直方图本身以红线形式显示在“可视化”框中（参见图373 ）。在该框中（路径：框“绘制” ，启用原始图像），您可以通过设置参数ModuloCount_Period （帧数）、 Is_InRange （帧范围）和Const_Enable （常量启用或始终启用，即Const_Enable设置为 1）来可视化若干帧的原始图像以及 HOG 特征。最后，HOG 特征通过运算符DmaToPC_DMA0传输到 PC。此处，HOG 特征可用作支持向量机 (SVP) 或卷积神经网络 (CNN) 中的目标检测描述符。