原文；https://blog.csdn.net/u012336567/article/details/55809016
图像特征提取在对象检测中具有重要的地位，许多论文提出过许多里程碑式的特征，比如LAB特征，HOG特征等。
HOG特征及FHOG特征（Deformable Part Model中HOG的一种变种）都是利用了图像的梯度信息作为图像信息的描述工具，其基本的思想可以查看HOG的wiki页面：
在一副图像中，局部的表象和形状（apparence and type）能够被梯度或者边缘的方向密度分布很好的描述
1.HOG
HOG特征的提出在2005年CVPR的会议上，全称Histogram of Orientation Gradient.
1.1 HOG 算法的实现
输入图像作者采用的是没有gamma矫正的RGB颜色空间图像。
1.1.1梯度计算
正如作者在论文中说的，人脸识别检测器对于如何计算像素点的梯度比较敏感。在作者的论文中指出经过大量的实验，发现最简单的才是最有效的。
也就是对图像不采用高斯平滑的情况下使用
![][3]
对于彩色的图片（也就是可能具有多通道的图片），我们在每个通道上均计算相应的值，然后选取梯度最大的通道作为该像素点的梯度向量。
1.1.2 空间/方向bin投票
接下来的工作就是要把梯度向量聚集起来。
每个像素都有自己的投票空间。该投票空间是这样划分的出来的，将图像分解为的cell，如图每个cell大小为8X8，并且cell与cell之间没有重叠部分。比如我们有 64X128的图片，经过上面的划分出（64/8）X(128/8)=128个cell。
在每个Cell中，我们构建对于方向的投票。方向可以是0 ~ 180度（无符号的梯度）或者0 ~ 360度（有符号的梯度）。论文中采用的是0 ~ 180度的无符号梯度投票。将0~180度平均分解成9个方向。像素的投票的值是实际梯度大小值。
在投票时为了reduce aliasing，我们会使用线性插值的方法进行投票。例如当前点的方向为65、梯度大小为20，这就需要向60度投票15，向80度投票5.
1.1.3 构建Block和归一化
在一幅图像中像素点梯度的大小范围可能因为受到光照和前景-背景对比度的变化而产生较大的差异。所以一个有效的方法就是依据局部cell的对比度进行归一化。
在HOG中局部对比度正则化的尺度是一个Block，Block的尺寸的大小是16X16，也就是一个Block中包含2X2个cell。另外每次block移动的步长为8 pixels，所以Block和Block之间是有重叠的，这样保证同一个cell的不同的归一化结果（cell在不同的Block中被归一化）能对最后的HOG向量都有贡献。
![Block & normalization][6]
每个Block的特征描述是他包含的4个cell的投票结果的级联，也就是4*9=36维。遍历图像每获得一个36维的Block特征之后需要进行归一化，归一化的方法有很多，比如L1，L2，L2-Hys等。
论文的作者采用的是L2-Hys正则化方法
假设v是是36维未经正则化的向量，
![enter description here][9]
L2-Hys是在该公式计算出的结果的基础上，对36维中的每一维进行截断，限制每一维的最大值为0.2。
1.1.4 final descriptor
对于图像上的遍历的每一个block进行正则化后，将图像中所有的Block的descriptor收集起来就是整个图片的特征。
对于64X128的图像，可以分解成[（64-16）/8+1]X[（128-16）/8+1]=105个Block，每个具有Block36维特征（4 cell * 9 orientation），所以整个图像有105X4X9维特征。