Histogram of Oriented Gradient

Fitur HOG terdiri dari banyak histogram gradien berorientasi dari suatu area terlokalisasi sehingga
dapat menggambrkan kontur dari obyek dan tidak sensitive terhadap perubahan cahaya.(lee, et al,
2012). Perhitungan ekstraksi fitur HOG terdiri dari :
a. Gradient Calculation
Menghitung nilai gradien tiap pixel untuk citra I, dihitung nilai gradient horizontal dan gradient
vertikal tiap pixel, terlhat pada persamaan 3.14 dan 3.15.
𝐺𝑥(𝑥, 𝑦) = [−1 0 1]. 𝐼(𝑥, 𝑦) (3.14)
𝐺𝑦(𝑥, 𝑦) = [−1 0 1].𝑇 𝐼(𝑥, 𝑦) (3.15)

𝐺(𝑥, 𝑦) = √𝐺𝑥(𝑥, 𝑦)2 + 𝐺𝑦(𝑥, 𝑦)2 (3.16)

𝐺𝑦(𝑥, 𝑦) (3.17)
𝜃(𝑥, 𝑦) = 𝑎𝑟𝑐𝑡𝑎𝑛 ( )
𝐺𝑥(𝑥, 𝑦)
b. Block dan Sel
Operasi HOG menggunakan sliding window, ukuran HOG sel dari sebuah sliding window
biasanya 4 x 4, 6 x 6, dan 8 x 8 pixel saat ukuran sliding window 32 x 32, 48 x 48, dan 64 x 64 pixel.
Sebuah blok yang dikonfigurasi dengan mengelompokan 2 x 2 sel. Secara terlokalisasi
mengelompokkan sel ukuran lebih besar, melalui blok ketetanggaan.

Gambar 3.3. Ilustrasi pembentukkan sel, block, dan channel HOG

 Descriptor HOG adalah vector komponen dari sel histogram ternormalisasi dari seluruh region
blok. Blok ini biasanya overlap, artinya setiap sel berperan lebih dari sekali untuk menghasilkan
descriptor final. RHOG, sel per bloknya 2x2, jumlah pixel per sel lebar (width) 8 x height (16),
jumlah channel (bin) per selnya 9 atau 18. Ilustrasi pembentukan blok, sel dan channel pada HOG
terlihat pada gambar 3.3.
a. Orientation Binning

Setiap pixel yang berperan memberi bobot untuk magnitude pada sel histogram dengan fungsi
Gaussian yang ditempatkan di tengah blok dan pembobotan nilai gradient untuk memilih gradient arah
dari elemen tengah tersebut. Posisi bin tengah untuk mengurangi efek aliansing. Nilai sudut
gradiennya adalah 00 < 𝜃(𝑥, 𝑦) < 3600 , kemudian di balik 00 < 𝜃(𝑥, 𝑦) < 1800 .

(a) (b)
Gambar 3.5. (a) Orientasi binning tiap cell (b) Jangkauan orientasi tiap bin untuk 9-D HOG (Sirkunan
dan jeevan, 2012)

Oleh karena itu nilai index bin dari nilai gradien arahnya dihitung 00 < 𝜃(𝑥, 𝑦) < 1800 , untuk
meningkatkan nilai pengenalan. Orientasi 00 < 𝜃(𝑥, 𝑦) < 1800 dibagi menjadi 9 channel (0,20),
(20,40), …., (160-180). Saat nilai sudut 𝜃(𝑥, 𝑦) pada range (0-20), orientasi korespondensi terhadap
pixel (x,y) diberi bobot = 1. Orientasi lainnya diberi bobot 0. Jangkauan tiap bin untuk 9-D HOG
terlihat pada Gambar 3.5(b). Jumlah pemilihan bobot dihitung secara terpisah tiap channel histogram.
9 orientasi histogram channel (9 bin, dapat pula 18 bin) citra dibuat untuk setiap selnya. Gambar 3.5
 (a) menyajikan representasi grafis bagaimana magnitude gradient sebuah sel terdiri dari 64 pixel di
plot ke dalam 9 bin berdasarkan orientasinya.
b. Integral Citra
Optimasi kinerja ekstraksi HOG dilakukan oleh Zhang, et al (2010) menggunakan integral citra di
gunakan untuk mengefisienkan perhitungan histogram untuk semua sel. Citra integral pada lokasi x, y
terdiri dari jumlah pixel diatasnya dan kiri dari x,y, telihat pada persamaan …
𝑖𝑖(𝑥, 𝑦) = ∑𝑥 ′ ≤𝑥,𝑦 𝑖 ≤𝑦 𝑖(𝑥 ′ , 𝑦 ′ ) (3.18)
Dimana ii(x,y) adalah citra integral dan i(x,y) adalah citra asli. Citra integral diperoleh dari metode
incremental
𝑖𝑖(𝑥, 𝑦) = 𝑖𝑖(𝑥, 𝑦 − 1) + 𝑖𝑖(𝑥 − 1, 𝑦) + 𝑖(𝑥, 𝑦) − 𝑖𝑖(𝑥 − 1, 𝑦 − 1)
𝑖𝑖(𝑥, −1) = 0
𝑖𝑖(−1, 𝑦) = 0
{ 𝑖𝑖(−1, −1) = 0
𝑠(𝑥, 𝑦) = 𝑠(𝑥, 𝑦 − 1) + 𝑖(𝑥, 𝑦) (3.19)
𝑖𝑖(𝑥, 𝑦) = 𝑖𝑖(𝑥 − 1, 𝑦) + 𝑠(𝑥, 𝑦)
Integral image dapat dikalkulasi dari sebuah citra asli. Ilustrasi terlihat pada gambar 3.5.

Gambar 3.5. Ilustrasi perhitungan Orientation Weighted Vote pada template citra

Jumlh pixel dalam kotak A, dimana pemilihan nilai jumlah orientation weighted dapat dihitung dari
ii(P4) + ii(p1) – ii(P2) – ii(P3) atau bisa didefinisikan (gambar 3.5). Integral citra = jumlah pixel pada
area segi empat A+B+C+D, dikurangi jumlah dalam segiempat A+B dan A+C, ditambah jumlah pixel
di dalam A. A+B+C+D adalah nilai integral image pada lokasi 4 dan A+B adalah nilai pada lokasi 2,
A+C adalah nilai pada lokasi 3, dan A pda lokasi 1. Sehingga hasil dari D dapat dikomputasikan
D=(A+B+C+D) – (A+B) – (A+C) = A..
c. Histogram Arah Gradient
 Untuk tiap sel setelah menghitung magnitude gradient 𝑚(𝑥, 𝑦) dan 𝜃(𝑥, 𝑦), histogram tiap sel nya
dijalankan. Histogram dihitung untuk sel 4 x 4, 6 x 6, 8 x 8 piksel berdasarkan ukuran dari sliding
window. Sumbu x histogram adalah orientasi channel histogram, sumbu y adalah jumlah nilai
magnitude gradient yang berkorespondensi dengan orientasi sehingga diperoleh vector fitur.

Gambar 3.10. Normalisasi Blok (Sirkunan dan jeevan, 2012)

d. Normalisasi Blok
Hasil akhir dari ekstraksi fitur HOG dihitung pada satu blok, yang terdiri dari sel 2 x 2. Histogram
dari blok ini diperoleh dari operasi pembobotan, interpolasi, dan normalisasi blok. Histogram dari sel
dikombinasikan dan dinormalisasi ke bentuk deskriptor HOG dari blok tersebut. Ilustrasi normalisasi
blok disajikan pada gambar 3.10. Normalisasi untuk tiap blok akan meningkatkan kehandalan. L2-
norm digunakan pada deteksi orang dan kendaraan, seperti pada persamaan 3.20 :
𝑣𝑖,𝑗
𝑣= (3.20)
2
√‖𝑣𝑘,𝑙 ‖ +𝜖 2

Dimana :
𝑉𝑖,𝑗 = vector yang berkorespondensi terhadap kombinasi histogram dengan blok
 𝑖, 𝑗, 𝑘, 𝑑𝑎𝑛 𝑙 adalah indeks dari vector V
𝜖 = konstanta yang kecil, yang hasil bagi mendekati 0, secara umum = 1.
𝑣 = vector ternormalisasi, hasil akhir dari fitur HOG.