计算机视觉（CV）中HOG算法

1 HOG算法介绍

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。

2 主要步骤

2.1 标准化gamma空间和颜色空间

为了减少光照因素的影响，首先需要将整个图像进行归一化。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。因为颜色信息作用不大，通常先转化为灰度图。

2.2 计算像素点的梯度

计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；计算梯度不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。

最常用的方法是：首先用[-1,0,1]梯度算子对原图像做卷积运算，得到X方向（水平方向，以向右为正方向）的梯度分量gradscal_x，然后用[1,0,-1]T梯度算子对原图像做卷积运算，得到Y方向（竖直方向，以向上为正方向）的梯度分量gradscal_y。然后再用以上公式计算该像素点的梯度大小和方向。

2.3 为每个细胞单元构建梯度方向直方图

<