1.介紹 HOG（Histogram of Oriented Gradient） 是 2005 年 CVPR 會議上，法國國家電腦科學及自動控制研究所的Dalal等人提出的一種解決人體目標檢測的影象描述子，該方法使用 梯度方向直方圖 （Histogram of Oriented Gradients,簡稱HOG）特徵來表達人體，提取人體的外形資訊和運動資訊，形成豐富的特徵集。
2.生成過程 1）影象歸一化 歸一化影象的主要目的是提高檢測器對光照的魯棒性，因為實際的人體目標可能出現的各種不同的場合，檢測器，必須對光照不太敏感才會有好的效果。
2)利用一階微分計算影象梯度 影象平滑  對於灰度影象，一般為了去除噪點，所以會先利用離散高斯平滑模板進行平滑：高斯函式在不同平滑的尺度下進行對灰度影象進行平滑操作，Dalal等實驗表明在下，人體檢測效果最佳（即不做高斯平滑），使得錯誤率縮小了約一倍。不做平滑操作，可能原因：影象時基於邊緣的，平滑會降低邊緣資訊的對比度，從而減少影象中的訊號資訊。 梯度法求影象梯度 一階微分處理一般對灰度階梯有較強的響應   一階微分： 


對於函式f(x,y)，在其座標（x,y）上的梯度是通過如下二維列向量定義的：  這個向量的模值由下式給出：  

因為模值的計算開銷比較大，一般可以按如下公式近似求解： Dalal等人利用許多一階微分模板進行求梯度近似值，但在實驗中表明模板[-1,0,1]效果最好。 採用模板[-1,0,1]為例計算影象梯度以及方向，通過梯度模板計算水平和垂直方向的梯度分別如下：
其中，分別表示該畫素點的水平，垂直梯度值。計算該 畫素點的梯度值（梯度強度）以及梯度方向： 對於梯度方向的範圍限定，一般採用無符號的範圍，故梯度方向可表示為：  

3)基於梯度幅值的方向權重投影 HOG結構 通常使用的HOG結構大致有三種：矩形HOG（簡稱為R-HOG），圓形HOG和中心環繞HOG。它們的單位都是Block（即塊）。Dalal的試驗證明矩形HOG和圓形HOG的檢測效果基本一致，而環繞形HOG效果相對差一些。 矩形HOG塊的劃分： 一般一個塊（Block）都由若干單元（Cell）組成，一個單元都有如干個畫素點組成。
在每個Cell中有獨立做梯度方向統計，從而以梯度方向為橫軸的的直方圖，前面我們已經提到過，梯度方向可取0度到180度或0度~360度，但dalal實驗表明，對於人體目標檢測0度~180度這種忽略度數正負級的方向範圍能夠取得更好的結果。然後又將這個梯度分佈平均分成 個方向角度（orientation bins），每個方向角度範圍都會對應一個直方柱。 根據Dalal等人實驗，在人體目標檢測中，在無符號方向角度範圍並將其平均分成9份（bins）能取得最好的效果，當bin的數目繼續增大效果改變不明顯，故一般在人體目標檢測中使用bin數目為9範圍0~180度的度量方式。 Block中各個引數的最終選取： 對於人體物件檢測，塊的大小為3×3個單元格，單元格的大小為6×6個象素時，檢測效果是最好的，錯誤率約為10%左右。塊的大小為2×2個單元格，單元格大小為8×8個象素時，也相差無幾。6－8個象素寬的單元格，2－3個單元格寬的塊，其錯誤率都在最低的一個平面上。塊的尺寸太大時標準化的作用被削弱了從而導致錯誤率上升，而如果塊的尺寸太小時，有用的資訊反而會被過濾掉。 在實際應用中，在Block和Cell劃分之後，對於得到各個像區域中，有時候還會為了進行一次高斯平滑，但是對於人體目標檢測等問題，該步驟往往可以忽略，實際應用效果不大，估計在主要還是去除區域中噪點，因為梯度對於噪點相當敏感。 對梯度方向的投影權重方式的選取：  對於梯度方向的加權投影，一般都採用一個權重投影函式，它可以是畫素點的梯度幅值，梯度幅值的平方根或梯度幅值的平方，甚至可以使梯度幅值的省略形式，它們都能夠一定程度上反應出畫素上一定的邊緣資訊。根據Dalal等人論文的測試結果，採用梯度幅值量級本身得到的檢測效果最佳，使用量級的平方根會輕微降低檢測結果，而使用二值的邊緣權值表示會嚴重降低效果（約為5%個單位10-4FPPW（False Positives Per Window））。 4)HOG特徵向量歸一化 對block塊內的HOG特徵向量進行歸一化。對block塊內特徵向量的歸一化主要是為了使特徵向量空間對光照，陰影和邊緣變化具有魯棒性。還有歸一化是針對每一個block進行的，一般採用的歸一化函式有以下四種： 在人體檢測系統中進行HOG計算時一般使用L2-norm，Dalal的文章也驗證了對於人體檢測系統使用L2-norm的時候效果最好。
5)得出HOG最終的特徵向量
3.HOG的應用： 主要用在object detection 領域，特別是行人檢測，智慧交通系統，當然也有文章提到把HOG用在手勢識別，人臉識別等方面。
4.HOG與SIFT區別 HOG和SIFT都屬於描述子，以及由於在具體操作上有很多相似的步驟，所以致使很多人誤認為HOG是SIFT的一種，其實兩者在使用目的和具體處理細節上是有很大的區別的。HOG與SIFT的主要區別如下： ①　SIFT是基於關鍵點特徵向量的描述。 ②　HOG是將影象均勻的分成相鄰的小塊，然後在所有的小塊內統計梯度直方圖。 ③　SIFT需要對影象尺度空間下對畫素求極值點，而HOG中不需要。 ④　SIFT一般有兩大步驟，第一個步驟是對影象提取特徵點，而HOG不會對影象提取特徵點。
5.HOG的優點： HOG表示的是邊緣（梯度）的結構特徵，因此可以描述區域性的形狀資訊； 位置和方向空間的量化一定程度上可以抑制平移和旋轉帶來的影響； 採取在區域性區域歸一化直方圖，可以部分抵消光照變化帶來的影響。 由於一定程度忽略了光照顏色對影象造成的影響，使得影象所需要的表徵資料的維度降低了。 而且由於它這種分塊分單元的處理方法，也使得影象區域性畫素點之間的關係可以很好得到的表徵。
6.HOG的缺點： 描述子生成過程冗長，導致速度慢，實時性差； 很難處理遮擋問題。 由於梯度的性質，該描述子對噪點相當敏感
此文屬於轉載加整理，參考地址已找不到，請見諒