HOG特征

方向梯度直方图（Histogram of Oriented Gradient, HOG）特征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。它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。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。

生成步骤：

1.色彩/Gamma校正图像归一化 
2.计算图像梯度大小和方向 
3.对cell内的梯度方向依据梯度幅值进行权重投影 
4.HOG特征向量归一化 
5.所有block的HOG特征连接起来构成最终的特征向量

图像归一化 
为了减少光照因素的影响，Gamma压缩公式：
比如可以取Gamma=1/2

计算图像梯度大小和方向 
计算x,y方向的梯度Gx, Gy，梯度幅值是，梯度方向
对cell内的梯度方向依据梯度幅值进行权重投影 
 
一张图片有多个block组成，而一个block有包含多个cell。Dalal通过实验证明，cell取8*8像素，block取2*2个cell，block每次滑动一个cell，取得最好结果。例如对于一个40*40的训练图片，cell=8*8像素，block=2*2个cell，块每次滑动一个单元格，如果把0~360degree分成9个bin，则特征维数=4*4*（2*2*9）=576维。 

 
在每个Cell中独立做梯度方向统计，横轴是梯度方向，纵轴频次的权重是梯度大小，从而得到一个cell内的梯度方向直方图。

HOG特征向量归一化 
对block块内的HOG特征向量进行归一化，主要是为了使特征向量空间对光照、阴影和边缘变化具有鲁棒性。归一化是针对每一个block进行的，一般采用的归一化函数有以下四种：

 
 
所有block中的hog特征连接起来就是一张图的HOG。