方向梯度直方图-Hog算法介绍

本文来自于对网上文章的归纳整理，再加入了一些自己的理解。

图像梯度

介绍一下图像梯度的含义：

上图中，标量场是黑白的，黑色表示大的数值，而相应的梯度用红色箭头表示。

可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导：

图像梯度: G(x,y) = dx i + dy j;

dx(i,j) = I(i+1,j) - I(i,j);

dy(i,j) = I(i,j+1) - I(i,j);

其中，I是图像像素的值(如：RGB值)，(i,j)为像素的坐标。

Hog介绍

现在继续介绍Hog。首先简要介绍Hog的主要思想、实现方法以及优点。
方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器（有关SVM的知识可以参考http://blog.csdn.net/v_july_v/article/details/7624837来理解）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。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。