1.算法基本流程
在一幅圖像中，方向梯度直方圖（Histogram of Oriented Gradient, HOG）能夠很好地描述局部目標區域的特徵，是一種常用的特徵提取方法，HOG+SVM在行人檢測中有着優異的效果。在HOG中，對一幅圖像進行了如下劃分：
圖像(image)->檢測窗口(win)->圖像塊(block)->細胞單元(cells)
流程圖如下：
2.計算圖像梯度
對數字圖像而言，每個像素水平和垂直方向的梯度，可以通過下圖的kernels計算：
即可寫爲：
每個像素梯度大小和方向可表示爲：
其中，I(x,y)是圖像在點(x,y)處的像素值。
梯度圖像移除了不必要的信息，但是高亮了輪廓線。在每一個像素上，梯度都有大小和方向。對於彩色圖像，3個通道的梯度都將被計算出來，然而圖像素的梯度值爲3個通道中最大的梯度值，角度也是最大角度。
3.HOG的win ,block ,cell
對於圖像中檢測窗口的尺寸爲64×64，假設給出塊的尺寸爲16×16，塊步長爲(8,8)，經過計算：檢測窗口中共滑動7×7=49個block。在一個塊中選擇細胞單元不再滑動，給出細胞單元的尺寸爲(8,8)，所以一個塊中一共有2×2=4個cell。
4.HOG構建方向梯度直方圖與特徵向量維數
HOG構建方向梯度直方圖在cell中完成，bins的個數決定了方向的範圍。假設採用9個bin的直方圖來統計這8×8個像素cell的梯度信息，即將cell的梯度方向0～180度（或0～360度，考慮了正負，signed）分成9個方向塊。如下圖所示：如果這個像素的梯度方向是20-40度，直方圖第2個bin即的計數就加1，這樣，對cell內每個像素用梯度方向在直方圖中進行加權投影，將其映射到對應的角度範圍塊內，就可以得到這個cell的梯度方向直方圖了，就是該cell對應的9維特徵向量（因爲有9個bin）。這邊的加權投影所用的權值爲當前點的梯度幅值。例如說：某個像素的梯度方向是20-40度，其梯度幅值是4，那麼直方圖第2個bin的計數就不是加1了，而是加4。這樣就得到關於梯度方向的一個加權直方圖。之前提到過，cell的中方向範圍的個數由bins來決定，還是以9爲例：所以，一個cell中的向量爲9個。以上面的例子，在一個尺寸爲64×64的檢測窗中，描述子的維數就應該爲：9×4×49=1764 。其中4爲一個block中cell的個數，49爲一個win中block的個數。
