HOG特征

HOG特征是图像特征提取中的一种常用特征，这种特征在行人检测上已经获得了巨大成功。这种特征的主要思想是应用了目标的表象和形状能够被梯度或者边缘的方向密度分布很好的表示，即物体边缘的像素值通常变化很大。

HOG特征提取方法分为以下几个步骤：
1.灰度化（将图像看成一个x y(位置) z(灰度)的三维图像）
2.利用Gamma校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变化所造成的影响，同时可以抑制噪声的干扰。
Gamma校正公式：

3.计算图像中每个像素的梯度（包括大小和方向）。
4.将图像分为小cells（例如6×6、8×8等）。
5.统计每个cell的梯度直方图，即每个梯度的个数，即可形成每个cell的描述器。
6.将每几个cell组成一个block（例如3×3个cell作为一个block），一个block中所有cell的特征描述器串联起来就得到该block的HOG特征描述器。
7.将该图像中所有block的HOG特征描述器串联起来就可以得到该图像的HOG特征描述器了，这个就是最终可供分类使用的特征向量（需要用到分类算法，例如SVM）。

详细步骤：https://www.cnblogs.com/zhehan54/p/6723956.html