HOG特征计算流程

HOG特征是在文章《Histograms of Oriented Gradients for Human Detection》中提出，看文章标题可知，该文章是为了行人检测提出的，不过后来也用于其它方向，比如特征点检测等。

该文中行人检测大概分为以下几步：

1. 输入图像（行人的图像）
2. 采用Gamma矫正法对输入图像进行颜色空间的标准化；目的是调节图像的对比度，降低图像局部的阴影和光照所造成的影响，同时可以抑制噪声。（原文指出，因为此步骤做不做对结果影响并不大，一般可以不做）
3. 计算图像中每个像素的梯度（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. 将图像分为小cells（例如一个cell由$6\times 6$的像素组成）
5. 统计每个cell的梯度直方图（直方图的横坐标为梯度的角度，纵坐标是梯度幅度的累积），即可形成每个cell的descriptor（描述子）
6. 将每几个cell组成一个block（例如一个block由$3\times 3$的cell组成），一个block的描述子由组成该block的各个cell描述子串联得到。
7. 将图像中所有的block的HOG特征串联起来就可以得到该image（你想要检测的目标）的HOG特征描述子了，这就是最终可以供分类使用的特征向量
8. 最后利用SVM进行分类即可

上述所说的HOG称为R-HOG，也就是rectangular HOG，含义就是block是长方形的。文章还提出一种叫C-HOG，C表示circular，block是圆形的。还有一个细节就是在得到HOG特征后要进行特征归一化来消除光照和前后景图像对比度不一致带来的影响。

总的来说HOG没有SIFT特征提取来的复杂，速度也快的多。

参考
SDM（superviseddescentmethod）人脸特征点训练
HOG特征