目标检测算法之HOG特征

      HOG特征，即方向梯度直方图（Histogram of Oriented Gradient, HOG），是计算机视觉领域中用于目标检测的一种特征描述子。其通过计算图像部分区域的梯度信息，并进行统计梯度信息的直方图来构成特征向量。通常地，将HOG所提取到的特征向量喂入预训练好的SVM分类器，可实现图像识别的功能。HOG+SVM的思路在2005年CVPR上提出，在行人识别检测上表现出了很好的效果。

HOG特征核心思想

1. 基于梯度：HOG特征用于目标检测，为了找到局部目标，寻找其轮廓是可行且必要的方法。一般来说，在物体的边缘部分才有比较明显的梯度（背景或物体内部色彩变化不明显，因此梯度也不明显），所以物体的表象与形状可以较好的被梯度描述。

2. 特征描述子：特征描述子是一种图像特征的表示。在HOG里面，它可以将原来尺寸大小为$w\ast h$的图像转化成为一个长度为n的向量，以此来保留原始图像中重要的信息（梯度），并且过滤掉一些不相关的信息（如背景）。例如在OpenCV的API中，一副64*128大小的图像，经过转化后变成一个长度为3780的向量（下文会有详细分析）

3. 划分区域cell：将一副图像划分成若干个连通的小区域（一般为正方形），这些小区域成为细胞单元(cell)。一个cell中包含若干个像素点，如8*8。计算这个cell中每个像素点所对应的梯度，并构成方向梯度直方图，将每一个cell得到的直方图结合起来，即可得到特征描述器。

4. 更大的区域block：为了消除光照和阴影对于图像的影响，需要在更大的区域内，对这些cell对应的直方图进行对比度归一化。

实现步骤

1. 图像灰度化：若输入的图像是RGB三通道的图像，则首先需要将其转化为灰度图。

2. Gamma矫正法：利用Gamma变换对 1 中得到的灰度图像进行标准化，以减少光照因素的影响。Gamma变换的公式如下：

   $f(I)=I^{\gamma }$

   $\gamma$ 此处可以取0.5等数值

3. 计算每一个像素的梯度（梯度大小及方向）:通常利用[-1，0，1]算子与原图像进行卷积，得到每个像素在水平方向的梯度；同时利用$[-1，0，1{]}^T$算子与原图像卷积，得到每个像素在竖直方向的梯度。利用两个方向的梯度的合成，得到总的梯度大小与方向，其计算公式如下：

   $G_x(x,y)=I(x+1,y)-$