图像特征提取三大法宝：HOG特征，LBP特征，Haar特征

https://www.cnblogs.com/zhehan54/p/6723956.html

HOG 特征 计算

如上图所示，hog 特征分为四步，1 模块划分2梯度方向模板3 bin投影 4 每个模块hog
1 模块中 蓝色为win 红色为block 绿色为cell
image≥win＞block≥cell 他们的大小

win可以image中滑动 block可以在win中滑动 都有步长 而 cell不在block 中滑动，直接就是 几个放置，cell中有bin

1 win 大小官方推荐 64128
2 block 小于win 但是win是block 整数倍 1616
3block 滑动step 为88
4 计算滑动步长 为(（64-16）/8+1)(（64-16）/8+1)
5cell 大小为88
6 block 中有 1616 /（88）=22 个cell

针对bin 其 为角度内的数据 ，40度为一个范围，其在360范围内即为 有9个，则HOG特征在整体范围内即为 105（block）*4（cell）*9（bin）=3780个特征

bin计算类似haar特征
计算如上所示，有数据和角度。

针对其数据为在0-20 和180-200为一个区间 其数据如图所示。也可以用f1=。。之类方法计算

他
block 每个里面有cell
每个cell 里面有bin
计算每个cell里面bin时候按着像素一个一个遍历，然后再把所有的作和 求取同一个cell中所有的bin之和。

在每个cell中间的间隔上的像素点 会存在 同时有两个 或者四个cell需要使用的像素点，进行相关计算即可。

这为HOG和SVM 结合识别 最终判断公式

HAAR特征