基于梯度直方图（HOG）的目标检测

深度学习之前，最成功的检测算法就是基于梯度直方图的目标检测算法，今天主要介绍一些这个算法的步骤：

1、图像预处理（统一亮度，色彩强度）
这样做是为了使图像不要太黑或者太亮，对比度不要太窄

2、计算每一个像素点位置的梯度方向和大小

下图是梯度的计算方式和梯度的可视化：

从梯度的计算公式可以看出，梯度是带有方向的向量，它有自己的方向和大小，每个像素位置都可以计算自己的梯度，计算方法是，先计算x方向的梯度，即像素值变换，再计算y方向上的梯度，即像素值变换，这两个方向上的变换，组成了一个向量，从左图可以看出，图中心像素值最大，然后以圆的方式均匀减小，因此可以看到，每个像素位置上梯度的大小一样，梯度的方向是指向圆心。右图梯度的方向是水平向左。

3、将图像分为8*8像素的模块，使用HOG计算此模块的向量表达（向量长度为9）
我们将图像分成若干个8x8的小单元，我们计算8x8小单元里每个像素的梯度，然后我们在梯度的方向上做直方图，例如梯度的范围是0到180度之间，然后将这角度分为9个bin，统计8x8小单元中像素梯度方向落到9个bin中的数量。

4、与4个相邻的区域做四次Normalization，将四次Normalization的结果连接为一个长度为36的向量，并且正则化使得其为单位向量

HOG将8x8的一个区域作为一个cell，再以2x2个cell作为一组，称为block，由于每个cell有9个值，2x2个cell有36个值，HOG是通过滑动窗口的方式得到block的。

但是图像的梯度对整体光照非常敏感，aru通过将所有像素值除以2来使图像变暗，那么梯度幅值将减小一半，因此直方图中的值也将减小一半，理想情况下，我们希望我们的特征描述符不会受到光照变化的影响，因此我们就需要将直方图“归一化。

假如我们有一个向量[128, 64, 32], 向量的长度可以计算得到146.64，这叫做向量的L2范数，将这个向量的每个元素都除以146.64，得到了归一化后的向量[0.87, 0.43, 0.22]。你会发现，向量[1282, 642, 32*2]归一化之后的向量也是[0.87, 0.43, 0.22]