Hog特征实质是：梯度的统计信息,即针对边缘作特征提取

意义：目标的表象和形状

转载于zouxy09大神的文章，加上自己些微的理解和应用！

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

上述基本讲清楚了，其实重点在于如下：

大概过程：

HOG特征提取方法就是将一个image（你要检测的目标或者扫描窗口）：

1）灰度化（将图像看做一个x,y,z（灰度）的三维图像）；

2）采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；

3）计算图像每个像素的梯度（包括大小和方向）；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。

4）将图像划分成小cells（例如6*6像素/cell）；

5）统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor；

6）将每几个cell组成一个block（例如3*3个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。

7）将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。

其中用Opencv实现需要注意：

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

cvSize(64, 48)：滑动窗口大小（不明白为什么设为图像的大小）
cvSize(32, 32)：block大小
cvSize(8, 8)：block的移动步长
cvSize(16, 16)：cell大小
9：bins个数
前四个参数的单位都是像素。

一个重要的公式是： (window_size - block_size)/block_stride + 1 

上述公式说明一个样本图像的block数量的计算方法，

而一个样本图像的特征数量的计算方法为        

特征数量= bins * 每个block的cell数量 * block数量