了解了SIFT算子之后，来看看HOG算子吧~其实仔细看看，会发现HOG和SIFT特征感觉像是孪生兄弟呢~当然，即便如此，两者之间仍是有较为明显的差别，那就来看看吧~
HOG——Histogram Orientated Graphic（方向梯度直方图）
通过计算和统计图像局部区域的梯度方向直方图来构成特征（类似于SIFT中8个方向梯度直方图统计）。
在这儿参考了一篇写得比较详细的博客Hog描述子。
先来说说Hog描述子形成的整体流程：
对整幅图像用b*b大小的blocks窗口进行滑动，则整幅图像有s个blocks，其中s=(（m-b）/stride+1)*((n-b)/stride+1);另外，对于两blocks重叠的cells单元，进行对比度归一化，能有效第去除光照的影响以提高精确度。每个blocks划分成c个cells，每个cells包含若干个像素点，针对每个cells，计算其中每个像素的梯度方向及幅值，并统计出该cell中的方向梯度直方图（按一定权重，此处权重的选择可根据L2，L1范式等确定），确定直方图所包含的bins的个数b，最后针对每个block进行特征归一化，以消除因光照，阴影和边缘变化等的影响，最后整张图可由一个s*c*b的高维向量组成，至此便完成了HoG描述子的生成。
需要注意的是：在形成描述子的过程中有几个超参数需要注意，首先是整张图片划分成多少个blocks，每个blocks划分成多少个cells比较合适，另外对cells进行直方图统计时，选取多少个bins较为适宜，这些均是根据不同需求所需进行设计的参数选择。若blocks取得太大，则归一化的效果被削弱使得错误率提升，若取得太小，则相邻blocks间有用的信息可能被过滤掉了。
HoG描述子最初的应用是用于行人检测，根据研究者大量的实验得出在针对行人检测时，选择的blocks大小为3*3个单元格，cells数为6*6，bins数为将0~180度角度无方向划分成9个bins。并且因为针对行人检测，需要有较明显的边缘信息，故在预处理时没有对其进行高斯平滑，但是在处理时，因为需要计算梯度信息，对于噪点的处理经常需要考虑到进行平滑操作，故需针对具体问题进行具体分析。
在这儿想进行说明的是HoG描述子与SIFT描述子之间的区别：
可以看到，HoG与SIFT均进行了梯度方向直方图的统计操作，但不同的是，其针对的进行统计的对象不同，HoG进行统计归一化是局部区域的block，而SIFT在进行统计之前需要确定特征点，再取特征点周围一定范围进行直方图统计。
由产生过程可知，HoG不具有尺度和旋转不变性。
效果展示：
*R-HOG指的是block选用的是矩形，C-HOG指block选用的是圆形。
HoG+SVM进行行人检测是比较成熟的方法，另外opencv中也有相应的实现函数接口。
