文章主要參考自?目標檢測的圖像特征提取之（一）HOG特征?和?OpenCV HOGDescriptor 參數圖解
一、HOG的定義
HOG（方向梯度直方圖）特征是一種在計算機視覺和圖像處理中用來進行物體檢測的特征描述子。它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。
二、HOG特征的提取步驟
1）因為顏色信息作用不大，所以對目標圖像進行灰度化；
2）采用Gamma校正法對灰度圖進行標準化（歸一化）；目的是調節圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時可以抑制噪音的干擾；
3）計算灰度圖每個像素的梯度（包括大小和方向）；主要是為了捕獲輪廓信息，同時進一步弱化光照的干擾。
最常用的方法是：首先用[-1,0,1]梯度算子（例如Sobel）對原圖像做卷積運算，得到x方向（水平方向，以向右為正方向）的梯度分量gradscalx，然后用[1,0,-1]T梯度算子對原圖像做卷積運算，得到y方向（豎直方向，以向上為正方向）的梯度分量gradscaly。然后再用以下公式計算該像素點的梯度大小和方向。
4）將圖像劃分成小cells（例如8*8像素大小的cell）；
5）統計每個cell的梯度直方圖（不同梯度的個數），即可形成每個cell的descriptor；
該步驟的目的是為局部圖像區域（cell）提供一個編碼，同時能夠保持對圖像中人體對象的姿勢和外觀的弱敏感性。
我們將圖像分成若干個“cell”，例如每個cell為8*8個像素。假設我們采用9個bin的直方圖來統計這8*8個像素的梯度信息。也就是將cell的梯度方向360度分成9個方向塊，如圖所示：例如：如果這個像素的梯度方向是20-40度，直方圖第2個bin的計數就加一，這樣，對cell內每個像素用梯度方向在直方圖中進行加權投影（映射到固定的角度范圍），就可以得到這個cell的梯度方向直方圖了，就是該cell對應的9維特征向量（因為有9個bin）。
如下圖所示（圖中Zi塊其實就是第i個bin）
像素梯度方向用到了，那么梯度大小呢？梯度大小就是作為投影的權值的。例如說：這個像素的梯度方向是20-40度，然后它的梯度大小是2（假設啊），那么直方圖第2個bin的計數就不是加一了，而是加二（假設啊）
6）將每幾個cell組成一個block（例如 大小為16*16的block，即一個block由4個cell組成），一個block內所有cell的特征descriptor串聯起來便得到該block的HOG特征descriptor。
由于局部光照的變化以及前景-背景對比度的變化，使得梯度強度的變化范圍非常大。這就需要對梯度強度做歸一化。歸一化能夠進一步地對光照、陰影和邊緣進行壓縮。
作者采取的辦法是：把各個細胞單元組合成大的、空間上連通的區間（blocks）。這樣，一個block內所有cell的特征向量串聯起來便得到該block的HOG特征。這些區間是互有重疊的（滑動塊，例如block stride為8），這就意味著：每一個單元格的特征會以不同的結果多次出現在最后的特征向量中。我們將歸一化之后的塊描述符（向量）就稱之為HOG描述符。
7）將圖像image內的所有block的HOG特征descriptor串聯起來就可以得到該image（你要檢測的目標）的HOG特征descriptor了。這個就是最終的可供分類使用的特征向量了。
最后一步就是將檢測窗口中所有重疊的塊進行HOG特征的收集，并將它們結合成最終的特征向量供分類使用。
例如行人檢測的滑動窗口大小通常為 64*128
以OpenCV為例，構建 HOG 特征的默認參數設置如下：
CV_WRAP HOGDescriptor() : winSize(64,128), blockSize(16,16), blockStride(8,8),
cellSize(8,8),?nbins(9),?derivAperture(1),?winSigma(-1),
histogramNormType(HOGDescriptor::L2Hys),?L2HysThreshold(0.2),?gammaCorrection(true),
nlevels(HOGDescriptor::DEFAULT_NLEVELS)
{}
8）特征向量的維數
Dalal提出的Hog特征提取的過程：把樣本圖像分割為若干個像素的單元（cell），把梯度方向平均劃分為9個區間（bin），在每個單元里面對所有像素的梯度方向在各個方向區間進行直方圖統計，得到一個9維的特征向量，每相鄰的4個單元（cell）構成一個塊（block），把一個塊內的特征向量聯起來得到36維的特征向量，用塊對樣本圖像進行掃描，掃描步長為一個單元(block_stride = 8)。最后將所有塊的特征串聯起來，就得到了人體的特征。例如，對于64*128的圖像而言，每16*16的像素組成一個cell，每2*2個cell組成一個塊，因為每個cell有9個特征，所以每個塊內有4*9=36個特征，以8個像素為步長，那么，水平方向將有7個掃描窗口，垂直方向將有15個掃描窗口。也就是說，64*128的圖片，總共有36*7*15=3780個特征。
總體流程圖：
