Hog特征實質是：梯度的統計信息,即針對邊緣作特征提取

意義：目標的表象和形狀

轉載于zouxy09大神的文章，加上自己些微的理解和應用！

http://blog.csdn.net/zouxy09/article/details/7929348/

上述基本講清楚了，其實重點在于如下：

大概過程：

HOG特征提取方法就是將一個image（你要檢測的目標或者掃描窗口）：

1）灰度化（將圖像看做一個x,y,z（灰度）的三維圖像）；

2）采用Gamma校正法對輸入圖像進行顏色空間的標準化（歸一化）；目的是調節圖像的對比度，降低圖像局部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）計算圖像每個像素的梯度（包括大小和方向）；主要是為了捕獲輪廓信息，同時進一步弱化光照的干擾。

4）將圖像劃分成小cells（例如6*6像素/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的特征descriptor串聯起來便得到該block的HOG特征descriptor。

7）將圖像image內的所有block的HOG特征descriptor串聯起來就可以得到該image（你要檢測的目標）的HOG特征descriptor了。這個就是最終的可供分類使用的特征向量了。

其中用Opencv實現需要注意：

    HOGDescriptor *hog = new HOGDescriptor(cvSize(64, 48), cvSize(32, 32), cvSize(8, 8), cvSize(16, 16), 9);

cvSize(64, 48)：滑動窗口大小（不明白為什么設為圖像的大小）
cvSize(32, 32)：block大小
cvSize(8, 8)：block的移動步長
cvSize(16, 16)：cell大小
9：bins個數
前四個參數的單位都是像素。

一個重要的公式是：?(window_size - block_size)/block_stride + 1?

上述公式說明一個樣本圖像的block數量的計算方法，

而一個樣本圖像的特征數量的計算方法為 ? ? ? ?

特征數量= bins * 每個block的cell數量 * block數量