HOG算法总结

1.HOG特征提取所针对的图像的尺寸是固定的。输入的图像应首先resize到这个尺寸。

2.尺寸的划分3个等级：window,block,cell　　

　　window即输入的需要提取特征的图片大小。然后将window划分为众多block，这些block之间有相互重叠的部分。

　　每一个block又划分为多个cell，cell之间紧邻且不重叠。block沿着水平和垂直方向滑动，按照固定的步长进行滑动，

　　最后就形成了block相互之间的重叠。

　　常见的尺寸：window:64x128;  block:16x16;  cell:8x8; step:8

3.HOG特征：

　　HOG特征也是基于梯度的，首先计算出输入图像中各个像素点的梯度（大小和方向），然后就需要进行一定的处理以

　　保证特征的鲁棒性。对每个cell中的所有像素点的梯度进行统计，统计出一个梯度直方图，（就是不关心具体每个点的

　　梯度而是关心在此cell范围内的点的梯度的分布）。然后将一个block中各个cell得到的梯度直方图数据（一维向量）串

　　接起来，就得到了该block的特征，但是还要对该向量进行归一化，（缓解局部光照变化的影响，有时还需要剔除噪声

　　点然后进行第二次归一化）。最后将window中所有的block的特征串联起来就得到了输入图像的HOG特征。

4.HOG特征总数的计算：

　　按如下尺寸：window:64x128;  block:16x16;  cell:8x8; step:8;  num_of_bin:9

　　block总数：(64/8 - 1)*(128/8 - 1)   {即： (window_width / step -1)*(window_height / step -1)}

　　blcok中特征数：9 * (16/8) * (16/8)  {即： num_of_bin * (block_width/cell_width)*(block_height/cell_height)}

　　总特征数：block总数 × block中特征数 = (7×15) × (9×2×2) = 3780

5.线性插值：

　　整个特征都是基于像素点的梯度。在统计梯度直方图的时候，按照梯度方向找到直方图中对应的bin，按照梯度的大小

　　对相应的bin进行累加。所以整个线性插值的过程就是如何分配每个像素梯度的大小，也就是处理好分配权值的问题。

　　权值的分配分为：梯度直方图中相邻方向bin之间的插值　和 block空间尺度中邻接的像素点之间的插值 以及 整个blcok

　　中类似于高斯形式的权值分配（突出中间区域的重要性）。

　　权值的分配比例都是根据距离比例进行的，

　　具体可以参考这篇博客（ http://hi.baidu.com/susongzhi/item/3a3c758d7ff5cbdc5e0ec172 ）

　　至此所有的权值分配都计算出来之后，将像素的梯度大小按照这些权值分配到对应的直方图的bin中就行了。

　　具体还可以参考这些比较全面的博客（感谢他们的分享）：

　　http://www.cnblogs.com/tornadomeet/archive/2012/08/15/2640754.html