Hog与形状匹配并肩而行

怎么才能验证形状匹配是ok的呢？

想到了hog，即梯度直方图，我们为了方便，只是用了梯度角度直方图，梯度幅值直方图没有使用，我们先看一下相互验证的效果：

我们匹配结果是7度，针对学习模板，学习的梯度角度是多少呢？旋转7度后的梯度角度又是多少？

匹配到的实际7度的梯度角度如何？如下：(好像关系不明显)

好，我们20度的全部加在一起，只有九个（上面统计梯度角度时，把0度和180合并过了，1度和181也合并了，360变180，180组数据，20个一组合并，就变9组数据了），再看匹配和学习结果对比：

是不是他们的百分比（percent）一致了？这个偏差多少呢？3+0+1+2+1+0+2+0+1=10，这个偏差和很小了，我发现低于25，匹配度就很高。

有时候，1到2度的偏差，hog结果变化很大，我们怎么消除？

我们发现hog的一个好处，就是，你图像旋转了7度，而hog中360度的环，0变7，1变8，0-6会被359-353填充，原来的0-6到了7-13，都顺序向后延了，也就是说，你旋转，我转360的环即可。

第二个好处是，我们匹配是7度，我可以找到学习到的hog环中6，7，8度的hog和你比对，180个偏差和最小，就是最好的度数，

这样我们就消除了hog在偏差1，2度时对结果的影响，如下，我们发现匹配是7度，但是我们计算hog180个数据最小偏差和在+1位置上，即就是8度，0是我们选中的7度位置hog，我们在+-2度范围内找最小，结果是8度。

那么这样就会保证这样的结果：

为了hog的准确，1，2度还是要计较的！

但是从我们的轮廓匹配来说，偏差一，二度我认为，已经到位，从hog来说，hog在轮廓匹配基础上更准确！