HOG特徵即方向梯度直方圖（Histgram of Oriented，HOG），最初是用來檢測行人的特徵描述子，現在也廣泛用於計算機視覺和影象處理中進行物體檢測。

通過計算和統計影象區域性區域的梯度方向直方圖來構成特徵。

影象的梯度主要存在於物體的邊緣，而區域性目標和形狀能夠被梯度或邊緣的方向密度分佈很好地描述。

先放一張HOG特徵檢測的流程圖。

一、影象預處理

因為在HOG特徵中，顏色並不起什麼作用，所以首先將彩色影象灰度化。

為了減少光照的影響，需要將影象進行規範化，能有效降低影象區域性的陰影和光照變化。

通常用Gamma公式對影象進行規範化：

二、計算梯度

影象的梯度分為水平方向的梯度和垂直方向的梯度，再以此梯度計算每個畫素的梯度幅值和梯度方向。

使用的梯度運算元是：

• 水平邊緣運算元：[-1, 0, 1]；
• 垂直邊緣運算元：[-1, 0, 1]T。

影象畫素點（x，y）水平方向梯度和垂直方向梯度分別是：

進而可以求出該畫素點的梯度幅值和梯度方向：

當然，作者也實驗了更復雜的梯度運算元，但結果表明，在行人檢測中，越簡單的運算元效果越好。

三、構建cell梯度方向直方圖

作者將影象分成若干個cell，cell有矩形，圓形，和圓環。作者實驗發現矩形cell和圓形cell的效果差不多，圓環cell的效果最差。

這裡以矩形cell為例，每個cell 6x6個畫素。

梯度分為有符號的梯度0-360,和無符號的梯度0-180。作者在行人檢測中使用的是無符號的梯度。

將180度等分成9個bin，用這9個bin來統計6x6畫素的梯度資訊。對cell內的每個畫素用梯度方向直方圖進行加權投票，權重的梯度的幅值。在實際實現中加權採用三線性插值的方法，即將當前畫素的梯度方向大小，畫素在cell中的x座標與y座標這三個值來作為插值權重，而被用來插入的值作為畫素的梯度幅值。

四、構建block歸一化梯度直方圖

由於光照等因素的影響，使得cell內的梯度幅值的變化範圍非常大，因此作者對梯度做了歸一化。

採用的方法是將cell組合成更大的block，將一個block內所有的cell的特徵向量串聯起來得到該block的HOG特徵。

作者將3x3個cell組成一個block，所以一個block的尺寸是18x18畫素。

block的構建採用滑窗的形式，設定步長在整個影象上進行滑動。根據設定的步長不同，block和block之間可能有重疊的部分，這樣能使得同一個cell的不同歸一化結果對最後的HOG向量都有貢獻。

借用網路上的一幅圖來表示（如有侵權，請聯絡刪除）：

一個cell有9個bin，所以一個block的特徵描述是9*9=81維。

作者對block採用的是L2-Hys的規範化方法。

L2-Hys分為兩步：

1. L2-norm：
2. 對1的結果進行截斷（v-0.2v）

五、生成HOG特徵描述向量

將影象上的每一個block進行正規化之後，將所有的描述子收集起來就是整個影象的特徵。