方向梯度直方圖（Histogram of Oriented Gradient, HOG）特徵是

  一種在計算機視覺和影象處理中用來進行物體檢測的特徵描述子。
  至今雖然有很多行人檢測演算法，但基本都是以HOG+SVM的思路為主。
  參考資料：http://blog.csdn.net/liulina603/article/details/8291093

計算過程

  HOG特徵通過計算和統計影象區域性區域的梯度方向直方圖來構成特徵。
  首先將影象分成小的連通區域，這些連通區域被叫做細胞單元。然後採集細胞單元中各畫素點的梯度的或邊緣的方向直方圖。最後把這些直方圖組合起來，就可以構成特徵描述符。

  1）將影象劃分成小cells（例如6*6畫素/cell）；

  2）統計每個cell的梯度直方圖（不同梯度的個數），即可形成每個cell的descriptor；
  例如：每個cell為66個畫素。假設我們採用9個bin的直方圖來統計這66個畫素的梯度資訊。也就是將cell的梯度方向360度分成9個方向塊。例如：如果這個畫素的梯度方向是20-40度，直方圖第2個bin的計數就加一，這樣，對cell內每個畫素用梯度方向在直方圖中進行加權投影（對映到固定的角度範圍），就可以得到這個cell的梯度方向直方圖了，就是該cell對應的9維特徵向量（因為有9個bin）。

  3）將每幾個cell組成一個block（例如3*3個cell/block），一個block內所有cell的特徵descriptor串聯起來便得到該block的HOG特徵descriptor。

  4）將影象image內的所有block的HOG特徵descriptor串聯起來就可以得到該image（你要檢測的目標）的HOG特徵descriptor了。這個就是最終的可供分類使用的特徵向量了。