特征？特征是某个像素经过某种运算得到的结果
Hog特征：
1.模块的划分 2.根据Hog特征计算梯度和方向（模板特征） 3.bin投影 4.每个模块的Hog特征
1.模块的划分
这里有四个需要知道的知识点：image:图像模块；windows窗体（可以看作和图像模块大小一样，实际上是要小一些的）；block模块，cell模块（下面的蓝色（image，windows窗体），红色（block模块）绿色（cell模块））
每个模块都有一个size，我们重点分析它们的size和它们之间的关系。
image>windows>block>cell，都是包含关系，包含若干个模块。在窗口（windows）滑动的时候会有一个win step步长，在block滑动的时候也有一个步长block step，在cell中会出现一个bin。
窗体windows是特征计算最顶层的单元，比如说我们做车辆检测的时候，一个窗口会覆盖所有的车辆信息，即包含一个obj，这个obj包含了所有的图像信息，这些图像信息是通过计算得到的所有特征，这所有的特征加起来才能描述这个obj。
窗体的大小windows是任意大小的，一般来说，推荐的窗体大小是64x128，比如说车辆识别，行人识别等等。一般来说block的size必须比窗体要小，且窗体的size必须是block的大小的整数倍。一般来说是16x16。block step描述的是如何在窗体中进行移动，一般来说是8x8。计算block cout = ((64-16)/(8+1)*((128-16)/(8+1))=105block。cell的大小一般推荐为8x8，那么一个block中包含多少个cell呢？cell是和block不一样的，不是滑动的，而是并列放置的，每个cell之间是不能重合的，不可滑动的，那么一个block中可以包含4个cell，给它们一个标签cell1,cell2,cell3,cell4。
2.Bin的含义
cell和bin是紧紧关联的。
每个像素都有一个梯度，梯度有两个属性，第一个是大小，第二个是方向。当前的bin的大小和方向相关，0-360度划分为9块，每一块为40度即为9个bin，1个bin=40度。在cell中必须完整包含360度的信息，我们就需要包含9个bin就行了。所以一个cell中包含了9个bin。如上图的圆形座标系所示。
3.Hog特征的维度
harr特征得到的是一个值，因为是几个矩阵相乘，而hog特征得到的是一个向量，那么这个向量的维度是什么呢？
hog特征是为了进行分类来用的，所以它必须完全描述一个obj，必须完全包含obj的所有信息，而窗体又是包含了obj所有的信息，那么这个hog特征一定和窗体windows有关的，hog特征的维度等于窗体中所有block的个数乘以每个block中cell的个数再乘以bin的个数。这里设置的block为105，一个block是含有4个cell的，每个cell对应着9个bin。
维度=105*4*9=3780
4.梯度问题
梯度有大小和方向。如何计算？
每一个像素都有梯度，所以必须要以像素为单位计算，所有的这些像素构成了hog特征，总共有多少个像素呢？需要windows窗体下的所有像素共同在一起构成hog特征。窗体，block，cell这些都需要计算，那么计算量就很大。在harr讲解的时候，我们知道harr是利用模板来计算的，所以hog的梯度也可以利用模板来计算，这里就有特征模板了，和harr相似，有水平和竖直两种模型。在水平方向上的模板是：[1 0 -1]；[[1] [0] [-1]]。对于水平模板来说，就是拿左中右三个像素分别与模板相乘。
a = p1*1+p2*0+p3*(-1) = 相邻像素之差
b=上下像素值之差
这样可以得到幅值为f=根号下（a*a+b*b)，方向为angle=arctan(a/b)
5.bin的投影
bin的投影和梯度有关，在bin中，将一个cell（360度）划分为9个，每个bin为40度，，其实这40度并不是连续的范围，一般来说是20度是连续的，比如说bin1的范围是0-20；180-200，就是一个180度对称的过程。
如果一个像素点的幅值为10，则它在bin1上，或者它为190，也在bin1上，但是如果幅值为25，则它的幅值可以重新计算。
6.整个窗体
整个窗体中包含的block和cell怎么组合在一起，它们的复用原理
整个特征为3780维，整体的特征描述的就是3780维的向量，我们通过其中一个维度的计算来推导其他3779维的计算。
这个3780维的向量来自哪里？
来源于windows窗体，这个窗体包含了block和cell以及bin，所以每一个维度就是其中的一个bin，所以计算的这个维度，就是某个窗体下的某个block下的某个cell下的某个bin。
我们把某一个block分解，我们把block下的第一个cell即cell1（cell1,cell2,cell3,cell4)进行分解为9份，分别为bin1-bin9。
cell1有九个bin:bin1-bin9，同理cell2,cell3,cell4也一样有九个bin
若某个像素（i，j)投影在了cell1下的bin1上，根据它的梯度，我们可以计算梯度的方向和它的幅值，它的幅值是f，它的方向是一个角度，这个角度投影在了cell1下的bin1上，那么这个时候bin1的内容变成了f1，bin1中描述了这个像素的梯度，所以bin1=f1。
第二个像素（i+1，j）这些像素都位于cell1上的，如果也投影在了bin1上，这时bin1=f2。
同时有很多个像素点，全部遍历完，遍历完后，我们利用sum累加的形式，将所有的bin1累加在一起（f1+f2+f3...)=bin1。实际上像素点（i，j)不仅仅只影响bin1，其实还可以影响到其他的bin，我们在计算bin1的时候不仅仅只是(f1+f2+f3..)还需要加上当前像素在其他像素的投影。即权重的累加。
cell的复用：在一个block中，存在着4个cell，一般情况下是并列排序的，比如说是cell1,cell2,cell3,cell4。对于cell1来说对应着自己的bin1-bin9。其实在正在的计算的过程中，我们还会进行另外一个维度的划分。例如cellx0,cellx2,cellx4
比如说在cellx0上，（i，j)计算出来的bin只对当前的这个cell起作用，虽然它会分解为bin1和bin2，无论是bin1还是bin2，还是只是对当前的cell起作用，cellx2，（i，j)计算出来的bin不只是对当前的cell1起作用，还对当前的cell3起作用，只通用在两个cell上，而每一个cell，又由两个bin进行分解，所以有（bin，bin+1,bin,bin+1)4个bin起作用，cellx4会分解为8个bin。
这就是其中的一维的分解，进行原理解释
那么，把这个维度，将它们和4个cell组合在一起，共同构成了9维（9个bin)，这9维又和block中的4个cell组合在一起，共同构成了36维，然后再和105个block组合在一起共同构成3780维。
这个就是所有的特征维度，那么怎么进行判决呢？
这就涉及到了SVM的相关知识，例如用SVM中的线性分类器来说，首先经过训练，会得到3780维的向量，用hog特征乘以3780维的向量，会得到一个具体的值，和最终的判决值进行比较。如果大于这个判决值就是目标，如果小于这个判决值就不是目标。