特徵？特徵是某個像素經過某種運算得到的結果
Hog特徵：
1.模塊的劃分 2.根據Hog特徵計算梯度和方向（模板特徵） 3.bin投影 4.每個模塊的Hog特徵
1.模塊的劃分
這裏有四個需要知道的知識點：image:圖像模塊；windows窗體（可以看作和圖像模塊大小一樣，實際上是要小一些的）；block模塊，cell模塊（下面的藍色（image，windows窗體），紅色（block模塊）綠色（cell模塊））
每個模塊都有一個size，我們重點分析它們的size和它們之間的關係。
image>windows>block>cell，都是包含關係，包含若干個模塊。在窗口（windows）滑動的時候會有一個win step步長，在block滑動的時候也有一個步長block step，在cell中會出現一個bin。
窗體windows是特徵計算最頂層的單元，比如說我們做車輛檢測的時候，一個窗口會覆蓋所有的車輛信息，即包含一個obj，這個obj包含了所有的圖像信息，這些圖像信息是通過計算得到的所有特徵，這所有的特徵加起來才能描述這個obj。
窗體的大小windows是任意大小的，一般來說，推薦的窗體大小是64x128，比如說車輛識別，行人識別等等。一般來說block的size必須比窗體要小，且窗體的size必須是block的大小的整數倍。一般來說是16x16。block step描述的是如何在窗體中進行移動，一般來說是8x8。計算block cout = ((64-16)/(8+1)*((128-16)/(8+1))=105block。cell的大小一般推薦爲8x8，那麼一個block中包含多少個cell呢？cell是和block不一樣的，不是滑動的，而是並列放置的，每個cell之間是不能重合的，不可滑動的，那麼一個block中可以包含4個cell，給它們一個標籤cell1,cell2,cell3,cell4。
2.Bin的含義
cell和bin是緊緊關聯的。
每個像素都有一個梯度，梯度有兩個屬性，第一個是大小，第二個是方向。當前的bin的大小和方向相關，0-360度劃分爲9塊，每一塊爲40度即爲9個bin，1個bin=40度。在cell中必須完整包含360度的信息，我們就需要包含9個bin就行了。所以一個cell中包含了9個bin。如上圖的圓形座標系所示。
3.Hog特徵的維度
harr特徵得到的是一個值，因爲是幾個矩陣相乘，而hog特徵得到的是一個向量，那麼這個向量的維度是什麼呢？
hog特徵是爲了進行分類來用的，所以它必須完全描述一個obj，必須完全包含obj的所有信息，而窗體又是包含了obj所有的信息，那麼這個hog特徵一定和窗體windows有關的，hog特徵的維度等於窗體中所有block的個數乘以每個block中cell的個數再乘以bin的個數。這裏設置的block爲105，一個block是含有4個cell的，每個cell對應着9個bin。
維度=105*4*9=3780
4.梯度問題
梯度有大小和方向。如何計算？
每一個像素都有梯度，所以必須要以像素爲單位計算，所有的這些像素構成了hog特徵，總共有多少個像素呢？需要windows窗體下的所有像素共同在一起構成hog特徵。窗體，block，cell這些都需要計算，那麼計算量就很大。在harr講解的時候，我們知道harr是利用模板來計算的，所以hog的梯度也可以利用模板來計算，這裏就有特徵模板了，和harr相似，有水平和豎直兩種模型。在水平方向上的模板是：[1 0 -1]；[[1] [0] [-1]]。對於水平模板來說，就是拿左中右三個像素分別與模板相乘。
a = p1*1+p2*0+p3*(-1) = 相鄰像素之差
b=上下像素值之差
這樣可以得到幅值爲f=根號下（a*a+b*b)，方向爲angle=arctan(a/b)
5.bin的投影
bin的投影和梯度有關，在bin中，將一個cell（360度）劃分爲9個，每個bin爲40度，，其實這40度並不是連續的範圍，一般來說是20度是連續的，比如說bin1的範圍是0-20；180-200，就是一個180度對稱的過程。
如果一個像素點的幅值爲10，則它在bin1上，或者它爲190，也在bin1上，但是如果幅值爲25，則它的幅值可以重新計算。
6.整個窗體
整個窗體中包含的block和cell怎麼組合在一起，它們的複用原理
整個特徵爲3780維，整體的特徵描述的就是3780維的向量，我們通過其中一個維度的計算來推導其他3779維的計算。
這個3780維的向量來自哪裏？
來源於windows窗體，這個窗體包含了block和cell以及bin，所以每一個維度就是其中的一個bin，所以計算的這個維度，就是某個窗體下的某個block下的某個cell下的某個bin。
我們把某一個block分解，我們把block下的第一個cell即cell1（cell1,cell2,cell3,cell4)進行分解爲9份，分別爲bin1-bin9。
cell1有九個bin:bin1-bin9，同理cell2,cell3,cell4也一樣有九個bin
若某個像素（i，j)投影在了cell1下的bin1上，根據它的梯度，我們可以計算梯度的方向和它的幅值，它的幅值是f，它的方向是一個角度，這個角度投影在了cell1下的bin1上，那麼這個時候bin1的內容變成了f1，bin1中描述了這個像素的梯度，所以bin1=f1。
第二個像素（i+1，j）這些像素都位於cell1上的，如果也投影在了bin1上，這時bin1=f2。
同時有很多個像素點，全部遍歷完，遍歷完後，我們利用sum累加的形式，將所有的bin1累加在一起（f1+f2+f3...)=bin1。實際上像素點（i，j)不僅僅只影響bin1，其實還可以影響到其他的bin，我們在計算bin1的時候不僅僅只是(f1+f2+f3..)還需要加上當前像素在其他像素的投影。即權重的累加。
cell的複用：在一個block中，存在着4個cell，一般情況下是並列排序的，比如說是cell1,cell2,cell3,cell4。對於cell1來說對應着自己的bin1-bin9。其實在正在的計算的過程中，我們還會進行另外一個維度的劃分。例如cellx0,cellx2,cellx4
比如說在cellx0上，（i，j)計算出來的bin只對當前的這個cell起作用，雖然它會分解爲bin1和bin2，無論是bin1還是bin2，還是隻是對當前的cell起作用，cellx2，（i，j)計算出來的bin不只是對當前的cell1起作用，還對當前的cell3起作用，只通用在兩個cell上，而每一個cell，又由兩個bin進行分解，所以有（bin，bin+1,bin,bin+1)4個bin起作用，cellx4會分解爲8個bin。
這就是其中的一維的分解，進行原理解釋
那麼，把這個維度，將它們和4個cell組合在一起，共同構成了9維（9個bin)，這9維又和block中的4個cell組合在一起，共同構成了36維，然後再和105個block組合在一起共同構成3780維。
這個就是所有的特徵維度，那麼怎麼進行判決呢？
這就涉及到了SVM的相關知識，例如用SVM中的線性分類器來說，首先經過訓練，會得到3780維的向量，用hog特徵乘以3780維的向量，會得到一個具體的值，和最終的判決值進行比較。如果大於這個判決值就是目標，如果小於這個判決值就不是目標。