HOG（Histogram of Oriented Gradients），描述的是影象的區域性特徵，其命名也暗示了其計算方法，先計算影象中某一區域不同方向上梯度的值，然後累積計算頻次，得到直方圖，該直方圖便可代表該區域了，也即從影象中抽取得到的特徵向量，可以作為後續分類器的輸入了。

注意，HOG 刻畫的是影象的區域性特徵，對於一副高解析度影象當然可以直接提取特徵，效果並不理想。從資訊理論的角度說，一幅 640*480 的影象，約有 30 萬個畫素點，直接對原始影象做 HOG 特徵提取的話，按照 360°，分成 360 個bins，HOG 沒有表示這麼大一副影象的能力。從特徵工程的角度看，一般來說，只有影象區域比較小的情況，基於統計原理的直方圖對於該區域才有表達能力

1. 演算法流程

• 影象分塊 ⇒ patches

• 利用任意一種梯度運算元，sobel、laplacian等，對每一個 patch 進行卷積，計算得到畫素點的梯度方向和幅值：

  Mx,y=I2x+I2y−−−−−−√θ(x,y)=tan−1IyIx,∈[0,360°)/[0,180°)

• 將 360° 分成若干個 bins，例如均分為 16 個 bins，如下：

  
  
  
  

references