1.HOG特征提取所針對的圖像的尺寸是固定的。輸入的圖像應首先resize到這個尺寸。
2.尺寸的划分3個等級：window,block,cell
window即輸入的需要提取特征的圖片大小。然后將window划分為眾多block，這些block之間有相互重疊的部分。
每一個block又划分為多個cell，cell之間緊鄰且不重疊。block沿着水平和垂直方向滑動，按照固定的步長進行滑動，
最后就形成了block相互之間的重疊。
常見的尺寸：window:64x128; block:16x16; cell:8x8; step:8
3.HOG特征：
HOG特征也是基於梯度的，首先計算出輸入圖像中各個像素點的梯度（大小和方向），然后就需要進行一定的處理以
保證特征的魯棒性。對每個cell中的所有像素點的梯度進行統計，統計出一個梯度直方圖，（就是不關心具體每個點的
梯度而是關心在此cell范圍內的點的梯度的分布）。然后將一個block中各個cell得到的梯度直方圖數據（一維向量）串
接起來，就得到了該block的特征，但是還要對該向量進行歸一化，（緩解局部光照變化的影響，有時還需要剔除噪聲
點然后進行第二次歸一化）。最后將window中所有的block的特征串聯起來就得到了輸入圖像的HOG特征。
4.HOG特征總數的計算：
按如下尺寸：window:64x128; block:16x16; cell:8x8; step:8; num_of_bin:9
block總數：(64/8 - 1)*(128/8 - 1) {即： (window_width / step -1)*(window_height / step -1)}
blcok中特征數：9 * (16/8) * (16/8) {即： num_of_bin * (block_width/cell_width)*(block_height/cell_height)}
總特征數：block總數 × block中特征數 = (7×15) × (9×2×2) = 3780
5.線性插值：
整個特征都是基於像素點的梯度。在統計梯度直方圖的時候，按照梯度方向找到直方圖中對應的bin，按照梯度的大小
對相應的bin進行累加。所以整個線性插值的過程就是如何分配每個像素梯度的大小，也就是處理好分配權值的問題。
權值的分配分為：梯度直方圖中相鄰方向bin之間的插值 和 block空間尺度中鄰接的像素點之間的插值 以及 整個blcok
中類似於高斯形式的權值分配（突出中間區域的重要性）。
權值的分配比例都是根據距離比例進行的，
具體可以參考這篇博客（ http://hi.baidu.com/susongzhi/item/3a3c758d7ff5cbdc5e0ec172 ）
至此所有的權值分配都計算出來之后，將像素的梯度大小按照這些權值分配到對應的直方圖的bin中就行了。
具體還可以參考這些比較全面的博客（感謝他們的分享）：
http://www.cnblogs.com/tornadomeet/archive/2012/08/15/2640754.html