参考文章：computer vision笔记：HOG特征 | 高深远的博客

基本定义

HOG是一种特征描述子，用于检测和描述图像中物体的局部外观与形状。

它通过统计图像中局部区域（小块）内的像素梯度方向分布，来捕捉物体的边缘、纹理等结构信息。

特征描述子（Feature Descriptor）

特征描述子是在计算机视觉中，用来描述图像中某个“兴趣点”、“区域”或“物体”局部特征的向量（或一组数值） 。
它能用来唯一性地表达和区分不同的图像区域，便于后续的比对、识别、分类等任务。

通常用一个n维向量 $\mathbf{f} = (f_1, f_2, …, f_n)$ 表示一个区域或兴趣点的特征。

主要思想

• 边缘和轮廓能反映物体结构。不同方向的梯度分布是区分不同物体的有效特征。
• 对光照和几何变换有一定鲁棒性，适合做目标检测（如行人检测）。

计算流程

1. 灰度化和归一化：将输入图像转为灰度，做亮度归一化，减少光照影响。
2. 计算梯度：用Sobel算子等方法计算每个像素的水平方向（x）和垂直方向（y）梯度。
3. 划分Cell（小块） ：将图像分成许多小的单元格（比如8×8像素）。
4. 统计梯度方向直方图：每个Cell内，把像素的梯度方向按角度（如9个方向bin）统计频数，构成方向直方图。
5. Block归一化：将相邻若干Cell组成Block（如2×2个Cell），对Block内所有Cell的特征向量归一化，提升对光照变化的鲁棒性。
6. 特征拼接：将所有Block的特征向量拼成一个大的特征向量，作为整张图像/窗口的HOG描述子。
   

‍