1、提取正負樣本hog特徵

4、利用檢測子檢測負樣本，得到hardexample

5、提取hardexample的hog特徵並結合第一步中的特徵一起投入訓練，得到最終檢測子。

本文主要先介紹hog特徵，以及描述子的計算。hog特徵提取演算法的實現過程：

HOG特徵提取方法就是將一個image（你要檢測的目標或者掃描視窗）：

1）灰度化（將影象看做一個x,y,z（灰度）的三維影象）；

2）採用Gamma校正法對輸入影象進行顏色空間的標準化（歸一化）；目的是調節影象的對比度，降低影象區域性的陰影和光照變化所造成的影響，同時可以抑制噪音的干擾；

3）計算影象每個畫素的梯度（包括大小和方向）；主要是為了捕獲輪廓資訊，同時進一步弱化光照的干擾。

4）將影象劃分成小cells（例如6*6畫素/cell）；

5）統計每個cell的梯度直方圖（不同梯度的個數），即可形成每個cell的descriptor；

6）將每幾個cell組成一個block（例如3*3個cell/block），一個block內所有cell的特徵descriptor串聯起來便得到該block的HOG特徵descriptor。

7）將影象image內的所有block的HOG特徵descriptor串聯起來就可以得到該image（你要檢測的目標）的HOG特徵descriptor

Dalal提出的Hog特徵提取的過程：把樣本影象分割為若干個畫素的單元（cell），把梯度方向平均劃分為9個區間（bin），在每個單元裡面對所有畫素的梯度方向在各個方向區間進行直方圖統計，得到一個9維的特徵向量，每相鄰的4個單元構成一個塊（block），把一個塊內的特徵向量聯起來得到36維的特徵向量，用塊對樣本影象進行掃描，掃描步長為一個單元。最後將所有塊的特徵串聯起來，就得到了人體的特徵。例如，對於64*128的影象而言，每8*8的畫素組成一個cell，每2*2個cell組成一個塊，因為每個cell有9個特徵，所以每個塊內有4*9=36個特徵，以

特徵維數n=視窗塊數X塊中胞元數X向量維數（bin）

HOG Descriptor（WinSize（64.128），BlockSize（16.16），BlockStride（8.8），CellSize（8.8））

視窗塊數目：（64-16）/8+1 *（128-16）/8+1=105塊

參考：http://blog.csdn.net/masibuaa/article/details/12917961，非常優秀的同類型部落格