各位看客，如发现错误（应该还有一些），望不吝指教。因为有删减，所以不是特别详细具体
以前写的内容：
HOG（Histograms of Oriented Gradients）特征是Dalal于2005年针对行人检测问题提出的特征，能够大体描述行人的轮廓[12]。HOG特征是目前行人检测领域最常用的特征。对于其它非行人目标的检测，HOG特征也取得了突出效果，可以说是目标检测邻域，单一特征中效果最好的特征[26]。此外，HOG特征还被应用到姿态估计[62]，人脸识别[63]，表情识别[64]，场景分类等[65]等问题。
图 2.8 HOG特征的提取流程
HOG的提取流程如图 2.8，下文对每一个部分进行详细介绍。
（1）伽马校正
使用伽马变换对图像预处理，增强图像暗区的对比度[64]。Dalal的实验结果表明，使用Gamma变换后，在FFPW为
的条件下误检率可降低
。
（2）计算梯度
以
表示图像某一通道中
处的颜色值，其
处的水平方向梯度记为
，垂直方向梯度记为
，计算式如下：
则
处的梯度幅值
和梯度方向
计算公式如下：
实际计算时，分别使用模板
和
对图像卷积得到
和
，对于多通道图像，选择梯度幅值最大的通道的梯度作为该像素点的梯度。
图 2.9 块内的梯度插值和加权示意图
（3）统计梯度方向
这一步骤是HOG特征计算的核心，将图像划分为
的单元（Cell），
个单元组成一个块（Block），块内的梯度插值和加权方式如图
2.9所示。块内的像素点对块内的单元进行投票。每个单元都统计一个梯度方向直方图。梯度方向没有符号区分，即将梯度方向在
范围内等间隔划分为9个区间（Bin）。每一个像素点的梯度方向都采用线性插值，即对梯度方向相邻的两个区间投票。此外，还要对该像素点周围的单元进行双线性插值投票，具体来说，F、G、J、K内的像素点需要对Cell
0-Cell 3共4个单元进行插值，而A、D、P、M内的点只需对其所在的单元插值，其余的区域需要对2个单元插值。像素点对某一个单元的某一个梯度方向的权重，为该点的梯度方向在该梯度方向和该单元插值后，再经过高斯加权后的值。如图 2.9所示，高斯加权使得越靠近块中心的像素点权值越大，反之越小。
（4）归一化
为了克服光照不均匀以及前景与背景的对比差异，有必要采用局部归一化。HOG特征首先对每一个块的36维向量
进行L2-norm归一化，即
，然后使用
截断，即
，最后再重新进行一次L2-norm归一化。由于块与其周围的块有重叠，使得每个单元对其周围的块都有贡献，但归一化的块并不一样。这样虽然会造成信息冗余，但是能显著提升算法精度。
（5）向量化
最后，将检测窗口内的特征组成一维向量。Dalal设定的步长为8个像素，因此相邻块之间会有1-2个重叠的单元，而每个单元对其周围的4个块都有贡献。对于
的检测窗口最终组成
维的特征向量。
原文地址：http://blog.csdn.net/ttransposition/article/details/41805767
