HOG：Histogram of Oriented Gradient方向梯度直方图
一、算法实质
在一副图像中，梯度或边缘的方向密度分布能够很好地描述局部目标区域的特征，HPG正是利用这种思想，对梯度信息做出统计，并生成最后的特征描述。
在HOG中，对一副图像进行了如下划分：图像（image）---> 检测窗口（win）---> 图像块（block）---> 细胞单元（cell）
对于上述流程图，有几点需要注意的地方：
1.色彩和伽马归一化为了减少光照因素的影响，首先需要将整个图像进行规范化（归一化）。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。
2.图像的梯度针对的是每一个像素计算得到，然后再cell中进行方向梯度直方图的构建，在block中进行对比度归一化操作。
3.由于窗口的滑动性与块的滑动行，窗口与块都会出现不同程度的重叠（由步长决定），此时在块内划分出的cell就会多次出现，这就意味着：每一个细胞单元的输出都多次作用于最终的描述器。
二、HOG中的win、block、cell
win：当我们使用滑动窗口遍历方法实现目标检测任务时，首先我们需要构建一个滑动窗，这个滑动窗就是HOG的win
在HOG特征提取时，一个窗口是最小的特征提取单元，在特征检测任务中，滑动窗将以一个设定的步长在整个图像中顺序的滑动，每一次滑动后，都会提取窗口内的HOG特征，提取到的特征将送入到预先训练好的分类器中，如果分类器模型判定其为目标，则完成目标检测任务。
比如，在一个图像中选择检测窗口，依靠检测窗口尺寸，窗口滑动步长与图像尺寸共同决定将选择几个检测窗口，比如图像的尺寸为166×80，检测窗口的尺寸为64×64，窗口步长为(8,8)。那么在图像的列中将滑动次数如下：
显然这并不合乎逻辑，此时将自动填充，所以列中可以滑动出14个win；
同理，行中滑动次数如下：
所以图像中共滑动 14×3=42个窗口。
那么对于一个窗口内选择块是一样的原理，假设给出块的尺寸为 16×16，块步长为 (8,8)，经过计算：检测窗口中共滑动 7×7=49个block。
在一个块中选择细胞单元不再滑动，给出细胞单元的尺寸为 (8,8)，所以一个块中一共有 2×2=4个cell。
在这里有一个需要注意的地方时，窗口在滑动时可以根据像素填充方法补齐的，但是对于块与cell来说，是不可以的。因为这是算法本身的一个硬性要求，所在这要求我们在做窗口尺寸，块尺寸，块步长，单元尺寸选择时，必须满足一下条件：
1.一个窗口内根据块步长与块尺寸滑动块时，必须可以滑动出整数个块。
2.在块内确定单元个数时，必须要整数个单元。
三、HOG构建方向梯度直方图
HOG构建方向梯度直方图在cell中完成，bins的个数决定了方向的范围。细胞单元中的每一个像素点都为某个基于方向的直方图通道投票。
细胞单元可以是矩形的，也可以是星形的。直方图通道是平均分布在0-180（无向）或0-360（有向）范围内。经研究发现，采用无向的梯度和9个直方图通道，能在行人检测试验中取得最佳的效果。而在这种情况下方向的范围划分为180/9=20度。
四、特征向量维数
之前提到过，cell的中方向范围的个数由bins来决定，还是以9为例：所以，一个cell中的向量为9个。以上面的例子，在一个尺寸为64×64的检测窗中，描述子的维数就应该为：9×4×49=1764。其中4为一个block中cell的个数，49为一个win中block的个数。
那么HOG作为一种特征提取算法，对于图像分类问题该如何提取特征呢？此时的窗口将是整幅图像，也就是说，窗口将不再在图像中滑动。