特征描述提取圖像區域上有用信息而忽略無用信息，不同目標下有用信息與無用信息定義不同。這里提取的有用信息用於分類器輸入並期望產生正確的分類。
HOG(Histogram of Oriented Gradient) 對圖像塊生成描述信息 vector，然后將每個圖像塊指定一個分類(-1, 1)，通過大量訓練得到一個線性分類器(SVM)；針對新圖像塊首先生成描述 vector，在使用訓練分類器對新的描述 vector 分類，實現圖像分類。
HOG 首先應用在行人檢測，opencv 中 HOGDescriptor 類已經給出了一個默認的分類器（HOGDescriptor::getDefaultPeopleDetector()），通過該分類器可實現圖像中行人檢測。
當需要對其他物體進行檢測時，則需要自定義一個描述信息 vector, 訓練分類器，最終實現特定圖像分類。
這里首先學習默認描述信息 vector 的生成及分類：
1）行人檢測默認圖像塊為 64 * 128，當需要檢測其他尺寸下是否存在行人時，需要將其縮放到默認尺寸，如尺寸 100 * 200， 128 * 256... ，但檢測長寬比總為 1:2 的區域；
2）計算圖像梯度與梯度方向，形成梯度圖與梯度方向圖；
3）在 8 * 8 鄰域內計算梯度方向直方圖，計算方法如下圖：
首先將梯度方向取值范圍修改為 [0° ,180°)，然后划分為 9 個 bins，使用加權方式填充梯度方向直方圖；
4）將 16 * 16 鄰域內的4個梯度直方圖連接成 1 * 36 vector，並將其歸一化處理；
以 8 * 8 的步長在 64 * 128 圖像塊上掃描圖像，每次掃描形成一個 1 * 36 vector 並歸一化，最終得到 7 * 15 * 36 = 3780 個元素的特征向量；
5）以 1 * 3780 vector 作為圖像特征訓練 SVM 分類器, SVM 分類器基本原理如下
尋找一個超平面 
，對於任意特征向量 X 可正確分類，W 可通過訓練得到；
當訓練完成后，針對新的特征向量，滿足 
為正類，滿足 
為負類；
在實際檢測中，為了提升正類的可信度，可能使用 
進行分類，
。
opencv 提供 HOGDescriptor 類已經訓練好行人分類器（HOGDescriptor::getDefaultPeopleDetector()），下面對 HOGDescriptor 給出一些解釋：
1) HOGDescriptor() : winSize(64,128), blockSize(16,16), blockStride(8,8),
cellSize(8,8), nbins(9), derivAperture(1), winSigma(-1),
histogramNormType(HOGDescriptor::L2Hys), L2HysThreshold(0.2), gammaCorrection(true),
nlevels(HOGDescriptor::DEFAULT_NLEVELS)
以上代碼構造 HOGDescriptor 對象，主要參數意義如下：
winSize：行人區域尺寸，在該尺寸上生成特征向量；對於大於該尺寸的行人，使用縮小到 winSize 尺寸以實現多尺度；應該注意的是，當行人尺寸較小時，無法通過放大到 winSize 尺寸實現檢測；
cellSize：在 cellSize 區域上構造梯度方向直方圖；
nbins：一個 cellSize 區域上形成梯度直方圖的 bins；
blockSize: 梯度方向直方圖歸一化尺寸，對 2 * 2 cells 進行歸一化；
中
取值，提升正類可信度；
參考資料 https://www.learnopencv.com/histogram-of-oriented-gradients/