一个物体，不管远近以及角度如何，我们人都能判断为同一物体，因为我们人脑是根据物体的特征来判断是不是同一物体的，计算机在处理图像时，我们也希望具备这样的能力，所以需要对图像进行特征提取。
HOG（Histogram of Oriented Gridients的简写）特征检测算法，最早是由法国研究员Dalal等在CVPR-2005上提出来的，一种解决人体目标检测的图像描述子，是一种用于表征图像局部梯度方向和梯度强度分布特性的描述符。其主要思想是：在边缘具体位置未知的情况下，边缘方向的分布也可以很好的表示行人目标的外形轮廓。
关于此算法的详细原理请大家自行查阅相关资料。
下面介绍下这个类当中的detectMultiScale成员函数。
原型如下：
void detectMultiScale(InputArray img, CV_OUT std::vector<Rect>& foundLocations,double hitThreshold = 0, Size winStride = Size(),Size padding = Size(), double scale = 1.05,double finalThreshold = 2.0, bool useMeanshiftGrouping = false) const;
参数意义如下：
img：源图像。
foundlocations：检测出的物体的边缘。
hit_threshold：阀值，特征向量和SVM划分超平面的距离，大于这个值的才作为目标返回。
win_stride：窗口步长，必须是block步长的整数倍。
padding：图片边缘补齐参数，gpu版本必须是(0,0)。
scale：检测窗口增长参数。
finalThreshold：检测结果聚类参数
useMeanshiftGrouping:聚类方式选择的参数
末尾的const表示此成员函数不改变类中的成员变量。
示例代码如下：
代码请加Q2034196302获取
代码请加Q2034196302获取
代码请加Q2034196302获取
代码运行结果如下：
