網上有很多大神寫的hog的原理，這裡就不介紹了，本文主要用matlab實現求影象的hog特徵，主要參考了
http://blog.csdn.net/dulingtingzi/article/details/51488060，
http://blog.csdn.net/hujingshuang/article/details/47337707/，
感謝博主。
求hog特徵的主要步驟如下：
1、灰度化；
2、gamma校正；
3、求每個畫素的梯度和方向；
4、劃分cell（8*8pixel/cell），根據幅值和方向求取每個cell的梯度直方圖；
5、組合block（2*2cell/block），將這4個cell的梯度直方圖連在一起作為該block的特徵向量；
6、將所有的block的特徵向量組合起來，即為該影象的hog特徵向量。

程式碼如下：

clear;clc;

img=imread('C:\Users\Administrator\Desktop\lena.jpg');

% 1、%灰度化
img=rgb2gray(img);
img=double(img);

step=8;      %step*step個畫素作為一個cell
[m1 n1]=size(img);
%改變影象尺寸為step的最近整數倍
img=imresize(img,[floor(m1/step)*step,floor(n1/step)*step],'nearest');
[m n]=size(img);

% 2、%伽馬校正
img=sqrt
 
(img);

% 3、求梯度和方向
fy=[-1 0 1];        %定義豎直模板
fx=fy';             %定義水平模板
Iy=imfilter(img,fy,'replicate');    %豎直梯度
Ix=imfilter(img,fx,'replicate');    %水平梯度
Ied=sqrt(Ix.^2+Iy.^2);              %梯度值
Iphase=Iy./Ix;              %邊緣斜率，有些為inf,-inf,nan，其中nan需要再處理一下
the=atan(Iphase)*180/3.14159; %求梯度角度

for
 
 i=1:m
    for j=1:n
        if(Ix(i,j)>=0&Iy(i,j)>=0) %第一象限
            the(i,j)=the(i,j);
        elseif(Ix(i,j)<=0&Iy(i,j)>=0) %第二象限
            the(i,j)=the(i,j)+180;
        elseif(Ix(i,j)<=0&Iy(i,j)<=0) %第三象限
            the(i,j)=the(i,j)+180;
        elseif(Ix(i,j)>=0&Iy(i,j)<=0) %第四象限
            the(i,j)=the(i,j)+360;
        end

        if isnan(the(i,j))==1  %0/0會得到nan，如果畫素是nan，重設為0
            the(i,j)=0;
        end

    end
end
the=the+0.000001; %防止角度為0

% 4、劃分cell，求cell的直方圖( 1 cell = 8*8 pixel )
clear i j;
%下面是求cell
step=8;                %step*step個畫素作為一個cell
orient=9;               %方向直方圖的方向個數
jiao=360/orient;        %每個方向包含的角度數
Cell=cell(1,1);              %所有的角度直方圖,cell是可以動態增加的，所以先設了一個
ii=1;
jj=1;

for i=1:step:m
    ii=1;
    for j=1:step:n
        Hist1(1:orient)=0;
        for p=1:step
            for q=1:step
                %梯度方向直方圖
                Hist1(ceil(the(i+p-1,j+q-1)/jiao))=Hist1(ceil(the(i+p-1,j+q-1)/jiao))+Ied(i+p-1,j+q-1);
            end
        end
        Cell{ii,jj}=Hist1;       %放入Cell中
        ii=ii+1;
    end
    jj=jj+1;
end

% 5、劃分block，求block的特徵值,使用重疊方式( 1 block = 2*2 cell )
clear m n i j;
[m n]=size(Cell);
feature=cell(1,(m-1)*(n-1));
for i=1:m-1
    for j=1:n-1
        block=[];
        block=[Cell{i,j}(:)' Cell{i,j+1}(:)' Cell{i+1,j}(:)' Cell{i+1,j+1}(:)'];
        block=block./sum(block); %歸一化
        feature{(i-1)*(n-1)+j}=block;
    end
end

% 6、影象的HOG特徵值
[m n]=size(feature);
l=2*2*orient;
featureVec=zeros(1,n*l);
for i=1:n
    featureVec((i-1)*l+1:i*l)=feature{i}(:);
end

hog特徵值的維數計算如下：
影象大小為256*256，8*8pixel/cell，9bin/cell（將360度劃分為9個區域），2*2cell/block，採用重疊（overlape）方式求block的特徵向量，則有32*32個block，每個block的梯度直方圖為9*2*2個，總維數大小為（32-1）*（32-1）*9*2*2=34596。
然後就可以將該hog特徵放到分類器中進行訓練了。