论⽂：HistogramsofOrientedGradientsforHumanDetec。。。
1.分割图像
因为HOG是⼀个局部特征，因此如果你对⼀⼤幅图⽚直接提取特征，是得不到好的效果的。原理很简单。从信息论⾓度讲，例如⼀幅
640*480的图像，⼤概有30万个像素点，也就是说原始数据有30万维特征，如果直接做HOG的话，就算按照360度，分成360个bin，也没有表⽰这么⼤⼀幅图像的能⼒。从特征⼯程的⾓度看，⼀般来说，只有图像区域⽐较⼩的情况，基于统计原理的直⽅图对于该区域才有表达能⼒，如果图像区域⽐较⼤，那么两个完全不同的图像的HOG特征，也可能很相似。但是如果区域较⼩，这种可能性就很⼩。最后，把图像分割成很多区块，然后对每个区块计算HOG特征，这也包含了⼏何（位置）特性。例如，正⾯的⼈脸，左上部分的图像区块提取的HOG特征⼀般是和眼睛的HOG特征符合的。
接下来说HOG的图像分割策略，⼀般来说有overlap和non-overlap两种，如下图所⽰。overlap指的是分割出的区块（patch）互相交叠，有重合的区域。non-overlap指的是区块不交叠，没有重合的区域。这两种策略各有各的好处。
述责述廉先说overlap，这种分割⽅式可以防⽌对⼀些物体的切割，还是以眼睛为例，如果分割的时候正好把眼睛从中间切割并且分到了两个patch 中，提取完HOG特征之后，这会影响接下来的分类效果，但是如果两个patch之间overlap，那么⾄少在⼀个patch会有完整的眼睛。overlap的缺点是计算量⼤，因为重叠区域的像素需要重复计算。
再说non-overlap，缺点就是上⾯提到的，有时会将⼀个连续的物体切割开，得到不太“好”的HOG特征，优点是计算量⼩，尤其是与Pyramid（⾦字塔）结合时，这个优点更为明显。
2.计算每个区块的⽅向梯度直⽅图
将图像分割后，接下来就要计算每个patch的⽅向梯度直⽅图。步骤如下：大米生虫子处理小诀窍
屏蔽广告A.利⽤任意⼀种梯度算⼦，例如：sobel，laplacian等，对该patch进⾏卷积，计算得到每个像素点处的梯度⽅向和幅值。具体公式如下：
凉拌八爪鱼
黄山旅游最佳时间
其中，Ix和Iy代表⽔平和垂直⽅向上的梯度值，M(x,y)代表梯度的幅度值，θ(x,y)代表梯度的⽅向。
篮球资料B.将360度（2*PI）根据需要分割成若⼲个bin，例如：分割成12个bin，每个bin包含30度，整个直⽅图包含12维，即12个bin。然后根据每个像素点的梯度⽅向，利⽤双线性内插法将其幅值累加到直⽅图中。
高考加分项目C.（可选）将图像分割成更⼤的Block，并利⽤该Block对其中的每个⼩patch进⾏颜⾊、亮度的归⼀化，这⼀步主要是⽤来去掉光照、阴影等影响的，对于光照影响不剧烈的图像，例如很⼩区域内的字母，数字图像，可以不做这⼀步。⽽且论⽂中也提及了，这⼀步的对于最终分类准确率的影响也不⼤。
回忆童年的作文
3.组成特征
将从每个patch中提取出的“⼩”HOG特征⾸尾相连，组合成⼀个⼤的⼀维向量，这就是最终的图像特征。可以将这个特征送到分类器中训练了。例如：有44=16个patch，每个patch提取12维的⼩HOG，那么最终特征的长度就是：1612=192维。
4.⼀些引申
与pyramid相结合，即PHOG。PHOG指的是，对同⼀幅图像进⾏不同尺度的分割，然后计算每个尺度中patch的⼩HOG，最后将他们连接成⼀个很长的⼀维向量，作为特征。例如：对⼀幅512512的图像先做33的分割，再做66的分割，最后做1212的分割。接下来对分割出的patch计算⼩HOG，假设为12个bin即12维。那么就有912+3612+14412=2268维。需要注意的是，在将这些不同尺度上获得的⼩HOG连接起来时，必须先对其做归⼀化，因为33尺度中的HOG任意⼀维的数值很可能⽐12*12尺度中任意⼀维的数值⼤很多，这是因为patch的⼤⼩不同造成的。PHOG相对于传统HOG的优点，是可以检测到不同尺度的特征，表达能⼒更强。缺点是数据量和计算量都⽐HOG⼤了不少。
