**：
opencv demo演示見本人的另一篇灌水部落格
本人原始碼分析見
參考文獻：《n. dalal and b. triggs, 「histograms of oriented gradients for human detection,」proc. ieee conf. computer vision and pattern recognition,2005.》
作者原始碼:
參考鏈結
一、基本思想
上圖是目標檢測的基本流程。
hog屬於特徵提取，它統計梯度直方圖特徵。具體來說就是將梯度方向（0->360°）劃分為9個區間，將影象化為16x16的若干個block,每個block在化為4個cell（8x8）。對每乙個cell,算出每一點的梯度方向和模，按梯度方向增加對應bin的值，最終綜合n個cell的梯度直方圖形成乙個高維描述子向量。實際實現的時候會有各種插值。
選用的分類器是經典的svm。
檢測框架為經典的滑動視窗法，即在位置空間和尺度空間遍歷搜尋檢測。
二、基本概念
原始影象打完補丁後就直接用固定的視窗在影象中移動，計算檢測視窗下的梯度，形成描述子向量，然後就直接svm了
三、hog演算法流程
演算法流程比較簡單：
1、gamma校正
r=0.5,暗區對比度提高，亮區對比度下降
2、計算梯度
微分運算元[-1 0 1]，取rgb通道中模值最大的為該畫素點的梯度。
插值策略：對與該點梯度方向相鄰的兩個bin按距離進行線性插值。
3 、權值
這一部分比較複雜， 每乙個畫素點還要對cell插值。
1）f,j,g,k區域內的畫素點對四個cell都有貢獻，比如p4對cell 0 的權重是倒對稱cell中心即cell 3的「距離」 p4-cell 3 即圖中綠色虛線的「長度」，對其它cell 的權值依次類推
2）b,c,e,i,n,o,h,l區域的畫素點要對兩個cell中心插值。比如p2雖然處在cell 1中，但是對cell 0 也有貢獻，對虛線中的紅，綠兩個十字所在的cell 也有貢獻。那對cell 0的權重計算方法同p4。
取到對稱cell 中心的 「距離」，即到綠色中心的「距離」。
3）a，d，m，p，區域的點對周圍的四個cell也有貢獻，但是block覆蓋的只有乙個cell,自然只要對其本身所在的cell插值即可。比如p1,到對稱cell 中心的「距離」，即圖中的cell中心。
但是要注意：cell的編號順序是從上到下，從左到右，即（cell 0 cell 1 cell 2 cell 3）但是四個cell的偏移量儲存順序卻是（cell 0 ->cell 2 ->cell 1->cell 3)
這張圖沒畫完，也可以說有錯誤，大家參加這篇部落格吧，等找好工作了再來細改
4、歸一化
l2 hys歸一化，比較簡單
5、獲取整個檢測視窗內的所有block的梯度直方圖組成乙個很高很高維的描述子向量
用查表替代了八重迴圈，大大減少了時間開銷。
最笨的方法是依次迴圈：
1.檢測視窗在輸入影象中滑動
2.block在檢測視窗win中滑動
3.cell在block中滑動
4.在cell中迴圈獲取畫素的梯度值
每一層迴圈都是2維的這樣下來就是八重迴圈…………子子孫孫無窮盡也
作者通過預先計算好的pixdata,blockdata基本上化為了3重迴圈。
1.迴圈影象中的每乙個檢測視窗win
2.迴圈檢測視窗內的每乙個block
3.迴圈每乙個block中的畫素點，getblock()
每一層都是一維。
6、svm分類
計算到分類超平面的距離
四、hog演算法opencv實現流程
五、原始碼分析
Opencv HOG特徵與行人檢測Python實現
hog特徵與行人檢測 hog histogram of oriented gradient 特徵在物件識別與模式匹配中是一種常見的特徵提取演算法，是基於本地畫素塊進行特徵直方圖提取的一種演算法，物件區域性的變形與光照影響有很好的穩定性，最初是用hog特徵來來識別人像，通過hog特徵提取 svm訓練，...
PCL行人檢測
首先我們知道hog特徵結合svm分類器已經被廣泛應用於影象識別中，尤其在行人檢測中獲得了極大的成功 hog svm進行行人檢測的方法是法國研究人員dalal在2005的cvpr上提出的，而如今雖然有很多行人檢測演算法不斷提出，但基本都是以hog svm的思路為主，那麼pcl中也是利用這一思想來進行行...
行人檢測OpenCV ICF
最近專案中需要用到行人檢測，對比了幾種常用的演算法後，果斷選擇出自大神piotr dollar的icf integral channel features 下面開始了苦逼之旅。由於從網上down的 都是matlab版的，如果翻譯成c 的話，勞民傷財。以前就聽說opencv contrib裡整合了該演...