- 简介：HOG全称histogram of oriented gradients，中文是方向梯度直方图。它可以用来表示图像的物体特征，主要是轮廓特征，因此能够用于图像的分类等任务。
- 主要思想：在一副图像中，局部目标的appearance和shape能够被梯度或边缘的方向密度分布很好地描述
- 本质：梯度的统计信息，而梯度主要存在于边缘的地方
- 优点：
- 由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上
- 在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。因此HOG特征是特别适合于做图像中的人体检测的
HOG的原理
- 图像预处理：伽马校正和灰度化，也可不做，对实验影响不大。
- 伽马校正是减少光度对实验的影响
- 灰度化是将彩色图片变成灰度图。其实彩色图片也可以直接处理，不过是分别对三通道的颜色值进行梯度计算，最后选择梯度最大的那个
- 为简单起见，假设输入为灰度图，同时大小是**64*128**
- 计算每个像素点的梯度大小和梯度方向
- 水平\(x\)方向梯度\(\frac{\mathrm{d}f}{\mathrm{d} x}=\frac{f(x+1)-f(x-1)}{2}\approx f(x+1)-f(x-1)\)
- 竖直\(y\)方向的梯度\(\frac{\mathrm{d} f}{\mathrm{d} y}=\frac{f(y+1)-f(y-1)}{2}\approx f(y+1)-f(y-1)\)
- 梯度大小\(||f'|| = \sqrt{(\frac{\mathrm{d} f}{\mathrm{d} x})^2+(\frac{\mathrm{d} f}{\mathrm{d} y})^2}\)
- 梯度方向\(\theta=tan^{-1}{(\frac{\mathrm{d} f}{\mathrm{d} y}/\frac{\mathrm{d} f}{\mathrm{d} x})}\)
- 每8*8个pixel为一个cell，根据梯度方向的大小划分为9个bins，并将梯度大小根据梯度方向投递到不同的bin中，计算直方图
- \(2*2\)的cell为一个block，计算对block中\(2*2*9\)个数字进行归一化，每个block得到一个大小为\(36\)的特征向量
- 对于\(64*128\)大小的输入图像，用stride为1的block逐一计算每个block的特征向量，共得到\((8-1)*(16-1)\)个\(36\)维的特征向量，将其拉成一个concat成一个\(7*15*36=3780\)维的特征向量，即为HOG特征
参考文献：
- https://zhuanlan.zhihu.com/p/40960756
- https://blog.csdn.net/zouxy09/article/details/7929348?utm_term=hog%E7%89%B9%E5%BE%81%E5%9B%BE&utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2allsobaiduweb~default-1-7929348&spm=3001.4430
