Opencv samples

1,adaptiveskindetector web摄像机
2,bgfg_codebook 摄摄像设备的读取图片的各种方式 
3,bgfg_segm 高斯处理视频
4,blobtrack 图像块blob视频追踪
5，calibration 摄像校准
6，calibration_artificial 根据角点自动校准摄像
7，camshiftdemo 彩色跟踪 根据鼠标点击一个区域的色度光谱 来跟踪视频目标
8，contours 轮廓采集
9，convert_cascade 从文件中装载训练好的级联分类器或者从OpenCV中嵌入的分类器数据库中导入  然后另存为一个文件
10，convexhull 求离散点的轮廓
11，delaunay 根据随机点 找到边 Delaunay三角测量  结束计算Voronoi图表的细胞结构
12，demhist 直方图 对比度亮度调节
13，dft  快速傅里叶分解
14，distrans 距离变换 没理解  计算输入图像的所有非零元素对其最近零元素的距离
15，drawing 画点、线、圆、椭圆和文字。
16，edge 纹理边缘检测提取
17，facedetect 人脸识别检测 不包括adaboost训练 加载已经训练好的模型两层调用cascade.detectMultiScale 第一层测脸 第二层测眼睛训练部分在C:\OpenCV2.1\apps\traincascade\traincascade.cpp
18，fback 计算视频（两幅图像）的光流
19，fback-c 同上 计算视频（两幅图像）的光流
20，ffilldemo 用指定颜色填充一个连接域
21，find_obj  根据surf方式角点找目标 使用最近邻搜索选择是否使用opencv库自带的plann的最近邻搜索
22，find_obj_calonder 训练和预测R树 使用分类树
23，find_obj_ferns 也是目标寻找 基于随机蕨丛的快速识别关键点
24，fitellipse 椭圆拟合 查找图像轮廓图形
25，grabcut 鼠标键盘相应和画笔以及图片截取 对于mfc使用opencv来说没意义
26，houghlines 两种哈夫变换方式提取线
27，image 图像加噪和平滑等处理
28，inpaint 鼠标画图
29，kalman 卡尔曼滤波器
30，kmeans 聚类分析
31，laplace 拉普拉斯边缘检测
32，letter_recog 演示训练随机树分类器和boosting监督学习分类器和mlp分类器，使用uci的字符库数据集
33，lkdemo 点跟踪 改进的Lucas-Kanade 光流算法 检测视频运动目标
34，minarea 寻找最小面积的包围圆形
35，morphology 形态学操作 腐蚀膨胀处理图像
36，motempl 运动分割 原理不知
37，mser_sample （Maximally stable extremal regions mser）MSER方法区域提取图像轮廓 复杂背景下行人检测论文59页使用颜色距离阈值的基于MSER方法的最大稳定颜色区域检测子(Maximally Stable Colour Regions，MSCR)
38，mushroom 演示建立决策分类树训练 使用mushroom数据 来自uci的数据库
39，peopledetect HOG (Histogram-of-Oriented Gradients)行人或人体检测，使用的是hog特征和svm，其中svm分类器实质是一个3781维浮点数组
40，polar_transforms 把图像映射到极指数空间和线性极空间
41，pyramid_segmentation 用金字塔实现图像分割
42，squares 寻找矩形轮廓
43，stereo_calib 摄像机立体校准
44，stereo_match 立体匹配
45，tree_engine 演示使用不同的决策树 CvDTree dtree;决策树    CvBoost boost;Boosted tree classifier监督学习树    CvRTrees rtrees;随机树   CvERTrees ertrees;完全随机树
46，watershed 做分水岭图像分割

39例：
Re: 如何计算窗口中HOG的3780维向量
由 sernia ? 2009-08-16 15:45

The details of our HOG computation are illustrated as
follows:
1).To reduce the illumination variance in different images,the gray-scale normalization is performed so that all image shave the same intensity range.
灰度图归一化处理
2). The same centered [-1, 0, 1] mask is used to compute horizontal gradient px(x,y) and vertical gradient py(x,y) of every pixel.
用[-1, 0, 1]水平梯度和垂直梯度处理
3).Compute the norm and orientation of each pixel.
计算距离和角度
norm(x, y) = sqrt(px2 (x, y) + py2 (x, y))
orient(x, y) = arc tan( py(x, y) / px(x, y))
4). Split input images into equally-sized cells and group them into bigger blocks. Before computing the HOG feature, the gradient magnitude is normalized within the block. In Dalal’s paper he uses L2-Hys normalization in the computation of HOG feature, however, during discussion he concludes that L2-Hys, L2-norm and L1-sqrt performed equally well. Since L2-norm is simpler than L2-Hys, we choose L2- normalization, as illustrated in (3)
5).After normalization the block is applied with a spatial Gaussian window with σ = 0.5 * block _ width , as suggested by Dalal.
6).Trilinear interpolation is used to construct the HOG feature for each cell to obtain the low-level feature in our algorithm.

问题，第三步中计算出来了每个点的模和角度后，接下来怎么做？第四步我的理解是对向量进行归一化，但是第五步直接就是说移动block了，但是1，2，3步中对每个点进行计算以后怎么得到cell的9维向量呢？而且我用openCV里面的default参数时，发现是3780个float，这个float又是根据什么计算的呢？