BING 算法最终是帮忙找到图像当中的候选的物体区域， Box表示为：Get potential bounding boxes, each of which isrepresented by a Vec4i for (minX, minY, maxX, maxY).将图像归一化到一个相同的尺度（例如：8*8）上，一般对象的封闭轮廓和梯度范数之间具有强联系。能够在识别一个对象之前察觉它，非常接近自底向上的视觉显著性。
大致的操作：
1. 对整张图像求梯度，然后由线性SVM训练得到一个BING特征；
2. 计算每一个候选区域的得分：sl
sl =<w,gl> (1)
l=(i,x,y) (2)
其中，sl代表过滤器得分，gl代表NG特征，l表示坐标，i表示尺度，(x,y)表示窗口位置。所以（1）表示:在训练好的模型w上面，特征gl 的一个得分值。运用非极大值抑制(NMS)，我们为每个尺度提供一些建议窗口。相对于其他窗口（例如：100*100），一些尺度（例如:10*500）的窗口包含对象的可能性是很小的。因此我们定义对象状态得分（校准过滤器得分）：
ol = vi*sl+ti (3)
其中vi，ti∈ R，是针对不同尺度i的窗口，学习到的一个参数。我们由这些得分值就得到各个窗口。
具体的操作：
1. 输入一张图象，其中红框是物体，绿框不是物体
2.首先将输入图像重置为不同尺度的，在不同的尺度下计算梯度。然后再隔点取8*8大小的框，作为一个对应图像的64维的NG特征（该特征优势：1.归一化了支持域，所以无论对象窗口如何改变位置，尺度以及纵横比，它对应的NG特征基本不会改变。也就是说，NG特征是对于位置，尺度，纵横比是不敏感的；2. NG特征的紧凑性，使得计算和核实更加有效率，而且能够很好的应用在实时应用程序中）
3. 使用线性SVM分类器，在NG特征上训练一个64维的分类器
而在训练的过程当中，最最核心的就是 这个64位的特征就直接用一个64位的数表示，那对特征的操作表示为对位的操作。大大的降低了时间复杂度。
使用作者的代码已经训练好了一个特征模型，接下来使用它进行检测。我简化了整个代码框架，使得可以直接用到工程上，大家可以下载：http://download.csdn.net/detail/u012192662/9367779。整个工程在VS2013 X64工程上完成，需要Opencv库进行读入操作。