HOG特征

梯度方向直方图(Histogram of Oriented Gradients,HOG)特征是通过计算局部区域的梯度方向直方图来构成特征。

假设是灰度图像像素点的灰度值。

图像中像素点(x,y)的梯度为:

式中，,分别表示灰度图像像素点的水平方向梯度和垂直方向梯度。

像素点的梯度幅值和梯度方向分别为：

HOG(梯度方向直方图)特征提取的过程：

以的图像为例，图像作为一个单元。

把梯度方向平均划分为9个区间，如下图所示，和属于区间一。

在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量，

把2*2=4个单元组成一个块（），把一个块内的特征向量联起来得到36维的特征向量，用块（）对图像进行扫描，扫描步长为一个单元（），那么，水平方向将有7个扫描窗口，垂直方向将有15个扫描窗口，总共有36*7*15=3780维，这3780维就构成了人体的特征。

HOG特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。HOG特征是一种局部区域描述符,它通过计算局部区域上的梯度方向直方图来构成人体特征,能够很好地描述人体的边缘。它对光照变化和小量的偏移不敏感。