它是用于目标检测的特征描述器，用来计算局部图像方向信息的统计值。
HOG描述器最重要的思想：
在一副图像中，局部目标的表象和形状能够被梯度和边缘的方向密度分布很好的表述。
优点：
对图像几何的和光学的形变都能保持很好的不变形。
具体实现方法：
首先将图像分成小的连通区域，也就是一个cell，然后采集cell中各像素点的梯度或边缘的方向直方图。把这些直方图组合起来就可以构成特征描述器。为了提高性能，我们还可以把这些局部直方图在图像的更大范围（区间）内进行对比度归一化。所采用的方法是：先计算各直方图在这个区间的密度，然后根据这个密度对区间中的各个细胞单元做归一化（能对光照和阴影获得更好的效果）。
算法实现：
第一步梯度计算，用一个一维的离散的梯度模板分别应用在水平和垂直方向上。例如：使用[-1,0,1]和[-1,0,1]'卷积盒进行卷积。
第二部是建立分块直方图，每个块内的每个像素对方向直方图进行投票。论文中的方法是把方向分为9个直方图通道，然后对块内的每个像素基于这9个方向直方图通道进行投票。投票的方法是采取加权投票的方法，即每一票都带有一个权值，这个权值是根据该像素点的梯度幅度计算出来的。
描述器区块及梯度归一化：
由于局部等光照的变化，使得梯度强度的变化范围非常大，所以我们需要对梯度强度进行归一化。
梯度强度归一化方法：
把cell集成更大、在空间上连接的区块，可以为矩形区块(R-HOG)和圆形区块(C-HOG)。
R-HOG：是多个cell组成，有三个参数表示：每个区块有多少个cell、每个cell有多少个像素、每个cell直方图有多少个通道。
C-HOG:有四个特征参数来表示：角度盒子的个数、半径盒子的个数、中心盒子的半径、半径的伸展因子（论文实验中：4 2 4 2）
区间归一化：引入V 表示一个还没有被归一化的向量，它包含了给定区块的所有直方图信息.
