在計算機視覺中人們設計了很多算法來提取空間特征，並利用圖像梯度信息來識別物體。
其中一種技術叫做 HOG，也即方向梯度直方圖（Histogram of Oriented Gradient）。方向梯度直方圖聽着太高深了，我們先來講一下這些術語。
直方圖就是數據分布的一種圖形表現，看起來有點像柱形圖，其柱形有不同的高度，每個柱形代表一組處於一定值范圍的數據。這些柱形也稱為組（bins），柱形越高意味着某組數據越多。
以灰度圖像為例，假設你想繪制出這張薄餅圖的強度數據直方圖。
我們知道像素值的范圍在 0 到 255 之間，所以我們可以把這些值分成若干組。我要創建 32 個組，每組包含 8 個像素值，所以第一組范圍是 0 到 7，然后 8 到 15 以此類推一直到 248 到 255。
要創建直方圖，我們得來看看這張圖里的各個像素值，將各像素值放到對應的組里。這張圖的薄餅里有很多亮值，背景則很黑，所以直方圖看起來是這樣的。
在這個直方圖里黑色像素明顯堆積在一起，藍色框標識的是背景的像素，這些像素都在這些低值范圍里。明亮的像素也聚集在一起，基本上都在灰度值 200 左右，這肯定是薄餅的大部分像素值。
看完灰度值的直方圖，我們來講下一個術語“方向梯度”。
方向很簡單，指的就是圖像梯度的方向或朝向。我們已經了解怎么用 Sobel 算子來計算梯度幅值和方向了。把三個術語結合在一起，HOG 就是指一張有關圖像梯度方向的直方圖。首先 HOG 會接受一張圖像，如這張薄餅圖，然后計算每個像素的梯度幅值和方向。
這其中蘊含的信息可不少，所以 HOG 實際上會把這些像素分成若干個較大的正方形單元，單元大小通常是 8 乘 8 如果圖片小一些單元也就小一些。如果是 8 乘 8 的單元那就有 64 個梯度值，HOG 會計算每個單元相同的梯度方向有多少，將這些梯度的幅值相加得到梯度強度。接着 HOG 會把所有方向數據放到直方圖里，這個直方圖有九組，也就是九個值范圍。不過你可以建立更多組來進一步分類數據。
HOG 會對圖像的每個單元進行同樣的處理，這個方向梯度直方圖實際上就是個特征向量。接下來我們要用這些 HOG 特征來訓練分類器，思路就是對於物體相同但大小、方向不同的圖像，我們可以利用相同的 HOG 特征模式來檢測物體，而不管物體的位置和呈現方式。
后記
本文是 Udacity 計算機視覺納米學位課程筆記，下一步實踐篇將在 OpenCV 中實現 HOG 算法。