1 什么是hog特征
hog特征是histogram of gradient的縮寫。我們觀察圖像時，信息更多來自目標邊沿的突變。我們計算一塊區域內的所有像素處的梯度信息，即突變的方向和大小，然后對360度進行划分，得到多個bin，統計該區域內的所有像素所在的bin，就得到了一個histogram。這就是hog特征。
2 hog特征的提取方法
2.1 將彩色圖像轉換為灰度圖像
2.2 Gamma歸一化
2.3 計算每幅圖像的梯度
2.3.1 梯度分量的計算
水平模板：[-1,0,1]，水平方向以水平向右為正方向
豎直模板：[1, 0, -1]^T，豎直方向以豎直向上為正方向
2.3.2 梯度的計算
如上圖所示，計算出alpha和beta，然后alpha屬於[0, 45度)的bin，beta屬於[270度, 315)度的bin。
alpha = arctan(y/x)
beta = 360度 - arctan(y/x)
其中x和y是該梯度分別沿x軸和y軸的分量的模值。
2.4 將圖像划分為多個cell，每個cell是6像素*6像素，然后每2*2的cell構成一個block
2.5 對每個cell中的每個像素的梯度按照方向統計直方圖，360度bin的划分如下，這里進行了8等分
2.6 cell直方圖的計算
分別得到落入[0, 45) [45, 90) [90, 135) [135, 180) [180, 225) [225, 270) [270, 315) [315, 360)的梯度，然后把每個bin中的梯度的模值相加，就得到了該bin的分量。
這樣就得到了一個cell的特征，即一個8維的向量。
2.7 block特征的計算
將block中的cell的所有特征串聯起來，構成該block的特征，然后歸一化，就是說，把每個特征除以該特征向量的模值，歸一化是為了消除光照的影響。這樣每個block是一個8*4=32維的向量。
2.8 block是可以重疊的，block中的cell不重疊
也就是說，對於整個image而言，block可以重疊，比如說步長是8個像素，那么從0開始到11是一個block，然后從8開始到19是一個block，從16開始到27是一個block，它們之間是有重疊的。
2.9 最終的特征向量
將所有的block的特征向量串聯起來就是最終的特征向量了，即hog特征。