روند کار Histogram Oriented Gradient بدین صورت است که ابتدا در جهت محور xها وyها از تصویر مشتق گرفته میشود (که همان تفاضل دو پیکسل مجاور می باشد) و دو ماتریس از تصویر بدست می آید (شکل1)
همانطور که در شکل1 مشاهده می شود بافتهایی از تصویر در جهات محور x و y بدست میآید،سپس برای تمامی عکسهای پوشه این کار انجام میشود، بعد از آن ماتریس اندازه از رابطه
بدست میآید(شکل2)
و همچنین ماتریس زوایای موجود در تصویر با فرمول angle=arctan(gy/gx) قابل محاسبه می باشد (شکل 3)
برای کم کردن حجم هیستوگرام زوایا، باقیمانده زوایای بیشتر از 180 درجه را بر 180 محاسبه و جایگزین زاویه اصلی میشود، بدین ترتیب برای تمامی تصاویر این کار انجام می شود، سپس با استفاده از رابطه فاصله اقلیدسی فاصله بین هیستوگرامهای تصاویر محاسبه شده و آن فاصله ای که تا هیستوگرام زاویه تصویر اصلی صفر شد تصویر منطبق میباشد.(شکل 4)
در آخر هر کار تحقیقاتی و آزمایشگاهی ما نیازمند بیان این موضوع هستیم که تجربه ای که ما در این کار بدست آوردیم،در شرایط یکسان با الگوهای قبلی دارای مزیت خاصی است ،که یکی از این عوامل یکسان بودن شرایط در پروژه های نرم افزاری کار کردن بر روی داده های یکسان است ، به همین علت ما در این قسمت چند نمونه از دیتا ست هایی که در پردازش تصویر و بینایی ماشین کاربرد زیادی دارند را معرفی می نماییم.
https://github.com/openimages/dataset
http://www.imageprocessingplace.com/root_files_V3/image_databases.htm
Face Detection
این ویژگی به دوربین کمک می کند تا چهره افراد را در تصویر به صورت خودکار شناسایی و روی آن زوم کند،این قابلیت موجب تنظیم فلاش و میزان نور ورودی است که از تار شدن و درخشندگی بیش از حد چهره افراد هنگام تصویر برداری جلوگیری می کند.
Face Recognition
1) هیستوگرام:نمودار فراوانی هر رنگ در تصویر
در مرحله بعد فاصله هر یک از این بردارهای هیستوگرام را تا بردار هیستوگرام شکل مورد نظر را محاسبه می نماییم.