1.方向梯度直方图（Histogram of Oriented Gradient）

笔记参考：HOG特征提取
笔记参考：一文讲解方向梯度直方图（hog）
笔记参考：Histogram of Oriented Gradients (HOG) | By Dr. Ry @Stemplicity
笔记参考：C34 | HOG Feature Vector Calculation | Computer Vision | Object Detection | EvODN
笔记参考：Histograms of Oriented Gradients (HOG)
笔记参考：HOG算法中用到三线性插值（Trilinear Interpolation）的作用及其用法（包括HOG的matlab源代码分析）
步骤如下：

1. 图片预处理
2. 计算图像梯度
3. 计算图像梯度直方图
4. 对Block进行L2归一化
5. 合并Block特征向量得到整个图像的特征向量

1.1 图片预处理

裁剪图片、去除光照等不良因素

1.2 计算图像梯度

将处理后的图像划分为小的Cell，几个Cells组成Block

下图为其中一个cell中的像素情况

计算整个图像中每个Cell的x方向梯度和y方向梯度，可以使用Sobel算子对图像进行卷积运算即可完成此步骤

使用sobelx得到y方向边缘（中间0与像素对应乘为0，也就是忽略中间竖线，只保留左右竖线）

使用sobely得到x方向边缘（中间0与像素对应乘为0，也就是忽略中间横线，只保留上下横线）

计算每个Cell的 $x$ 方向梯度$G_x$和 $y$ 方向梯度$G_y$后，计算梯度大小和方向（由X,Y方向合成）
$$\begin{gathered} G=\sqrt{G_x^2+G_y^2} \\ \theta =arctan\frac{G_y}{G_x} \end{gathered}$$
最终得到图像中所有cell的梯度大小和梯度方向，

1.3 计算图像梯度直方图

量化角度：将0-180°划分为9个部分（9 bins）

上图中为一个Cell的梯度大小和梯度方向图，接下来需要进行统计，将每个像素对应的梯度大小映射到对应方向的范围内。
问题：使用插值对梯度直方图进行修正？将某个像素点的梯度幅值以不同的权重累加到相应的bin上，
插值是为了防止产生区域混叠效应（什么是混叠效应？）

将同一个cell中的统计完成后得到一个cell的梯度直方图

按照以上方式将图像中的每个cell的梯度大小图和梯度方向图整合成一个个直方图
个人理解：一个cell的直方图可以写为向量形式 [第一个bin的数值大小，第二个bin的数值大小，……]

1.4 对Block进行L2 归一化

几个cells组成一个block

将一个block中的每个cell直方图的向量拼接起来组合成一个block的向量
因梯度对光照敏感（为什么？）所以需要将直方图归一化（使用L2范数）以此消除光照影响
将block向量使用L2范数归一化
$$\begin{gathered} vec=[a,b,c] \\ |vec|=\sqrt{a^2+b^2+c^2} \\ \text{归一化后的向量}=[\frac{a}{|vec|}，\frac{b}{|vec|}，\frac{c}{|vec|}] \end{gathered}$$
每个block都有一个特征向量，block在图像上滑动窗口，滑过整个图像

1.5 合并Block特征向量

将所有block的特征向量拼接在一起作为整幅图像的特征向量，图像特征向量作为支持向量机的输入，SVM进行分类

1.6 总结

图像->cell梯度->cell梯度直方图 ->cell特征向量 ->block特征向量->图像特征向量