使用【c】写【HOG特征提取不使用opencv】的代码

霍夫关键点检测（Histogram of Oriented Gradients, HOG）是一种用于计算机视觉中的特征描述符，常用于行人检测、物体识别等场景。虽然OpenCV提供了一个方便的接口来进行HOG特征提取，但如果你想不使用OpenCV自己编写HOG特征提取算法，以下是一个简单的步骤和伪代码概述：

1. **计算梯度**：首先，你需要计算图像的灰度值以及每个像素点周围的梯度方向和大小。

// 假设img为RGB图像，我们先转换成灰度
int gray_img[height][width];
for (int y = 0; y < height; ++y) {
    for (int x = 0; x < width; ++x) {
        // 取R、G、B三个分量的平均作为灰度值
        gray_img[y][x] = (img[y][x][0] + img[y][x][1] + img[y][x][2]) / 3;
    }
}

2. **计算梯度直方图**：对于每个局部窗口（cell），统计该区域内梯度方向的分布，形成一个直方图。

// 定义窗口尺寸和步长
const int cell_size = ...;
const int block_stride = ...;

// 初始化HOG数组
float hog[block_height][block_width][orientation_bins];

for (int block_y = 0; block_y < block_height; block_y += block_stride) {
    for (int block_x = 0; block_x < block_width; block_x += block_stride) {
        for (int y = block_y; y < block_y + cell_size && y < height; ++y) {
            for (int x = block_x; x < block_x + cell_size && x < width; ++x) {
                // 计算梯度方向
                float grad_dir = atan2(gray_img[y+1][x] - gray_img[y][x], gray_img[y][x+1] - gray_img[y][x]);
                // 将角度映射到预定义的区间
                int orientation_index = (grad_dir * (orientation_bins - 1)) / (M_PI * 2);
                // 更新直方图
                hog[block_y/block_stride][block_x/block_stride][orientation_index]++;
            }
        }
    }
}

3. **归一化**：对直方图进行归一化，通常采用L2范数。

// 对每一行（block）的直方图进行归一化
for (int i = 0; i < block_height*block_width; ++i) {
    float sum = 0;
    for (int j = 0; j < orientation_bins; ++j) {
        sum += hog[i][j];
    }
    for (int j = 0; j < orientation_bins; ++j) {
        hog[i][j] /= sum;
    }
}

4. **计算描述子**：将所有块的直方图拼接起来形成最终的HOG描述子。

// 最后，把整个block的HOG描述子连接起来
unsigned char hog_descriptor[block_height*block_width*orientation_bins];
memcpy(hog_descriptor, hog, sizeof(float) * block_height*block_width*orientation_bins);

请注意，这只是一个简化的版本，实际的HOG算法可能包括更复杂的细节，如滑动窗口、空间金字塔等，以提高性能和鲁棒性。此外，这个实现并没有包含非极大值抑制（NMS）和其他关键优化。