了解了SIFT算子之后，來看看HOG算子吧~其實仔細看看，會發現HOG和SIFT特征感覺像是孿生兄弟呢~當然，即便如此，兩者之間仍是有較為明顯的差別，那就來看看吧~
HOG——Histogram Orientated Graphic（方向梯度直方圖）
通過計算和統計圖像局部區域的梯度方向直方圖來構成特征（類似于SIFT中8個方向梯度直方圖統計）。
在這兒參考了一篇寫得比較詳細的博客Hog描述子。
先來說說Hog描述子形成的整體流程：
對整幅圖像用b*b大小的blocks窗口進行滑動，則整幅圖像有s個blocks，其中s=(（m-b）/stride+1)*((n-b)/stride+1);另外，對于兩blocks重疊的cells單元，進行對比度歸一化，能有效第去除光照的影響以提高精確度。每個blocks劃分成c個cells，每個cells包含若干個像素點，針對每個cells，計算其中每個像素的梯度方向及幅值，并統計出該cell中的方向梯度直方圖（按一定權重，此處權重的選擇可根據L2，L1范式等確定），確定直方圖所包含的bins的個數b，最后針對每個block進行特征歸一化，以消除因光照，陰影和邊緣變化等的影響，最后整張圖可由一個s*c*b的高維向量組成，至此便完成了HoG描述子的生成。
需要注意的是：在形成描述子的過程中有幾個超參數需要注意，首先是整張圖片劃分成多少個blocks，每個blocks劃分成多少個cells比較合適，另外對cells進行直方圖統計時，選取多少個bins較為適宜，這些均是根據不同需求所需進行設計的參數選擇。若blocks取得太大，則歸一化的效果被削弱使得錯誤率提升，若取得太小，則相鄰blocks間有用的信息可能被過濾掉了。
HoG描述子最初的應用是用于行人檢測，根據研究者大量的實驗得出在針對行人檢測時，選擇的blocks大小為3*3個單元格，cells數為6*6，bins數為將0~180度角度無方向劃分成9個bins。并且因為針對行人檢測，需要有較明顯的邊緣信息，故在預處理時沒有對其進行高斯平滑，但是在處理時，因為需要計算梯度信息，對于噪點的處理經常需要考慮到進行平滑操作，故需針對具體問題進行具體分析。
在這兒想進行說明的是HoG描述子與SIFT描述子之間的區別：
可以看到，HoG與SIFT均進行了梯度方向直方圖的統計操作，但不同的是，其針對的進行統計的對象不同，HoG進行統計歸一化是局部區域的block，而SIFT在進行統計之前需要確定特征點，再取特征點周圍一定范圍進行直方圖統計。
由產生過程可知，HoG不具有尺度和旋轉不變性。
效果展示：
*R-HOG指的是block選用的是矩形，C-HOG指block選用的是圓形。
HoG+SVM進行行人檢測是比較成熟的方法，另外opencv中也有相應的實現函數接口。
