HOG特征、LBP特征、Haar-like特征用到的知识点清单

知识点清单（个人觉得需要的就总结一下）

方向梯度直方图特征（Histogram of Oriented Gradient, HOG）：
是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子
通过计算和统计图像局部区域的梯度方向直方图来构成特征更直观的看出差别

支持向量机（support vector machines, SVM）：
是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器
SVM的的学习算法就是求解凸二次规划的最优化算法。

细胞单元（cell）：
整个图像分成单个小个的连通区域
每个细胞单元都包含多个像素点的梯度的或边缘的方向直方图

单元块（block）：
一个单元块中包含好多个细胞单元
包含细胞单元方便对比度归一化操作

归一化：
１）把数据变成(０，１)或者（1,1）之间的小数。
目的：主要是为了数据处理方便提出来的，
２）把有量纲表达式变成无量纲表达式，
目的便于不同单位或量级的指标能够进行比较和加权。

对比度归一化：
计算各直方图在这个区间（block）中的密度，然后根据这个密度对区间中的各个细胞单元做归一化
让模型能对光照变化和阴影获得更好的效果。

图像灰度化：
灰度图像是R、G、B三个分量相同的一种特殊的彩色图像
图像灰度化处理作为图像处理的预处理步骤，为之后的图像分割、图像识别和图像分析等上层操作做准备。
（个人写的博客，参考各个大佬的自我感觉挺详细的）
https://blog.csdn.net/a1111111111ss/article/details/106311000

Gamma校正原理及实现

越小灰度值越大
越大灰度值越小
（个人写的博客，参考各个大佬的自我感觉挺详细的）
https://blog.csdn.net/a1111111111ss/article/details/106310758