基于HOG特征的目标检测技术分析

# 2.1 直方图梯度

### 2.1.1 梯度计算

HOG特征提取的第一步是计算图像梯度。梯度反映了图像像素值的变化率，它可以帮助识别图像中的边缘和轮廓。对于一个像素点 `(x, y)`，其梯度由两个分量组成：

Gx = I(x+1, y) - I(x-1, y)
Gy = I(x, y+1) - I(x, y-1)

其中，`I(x, y)` 表示像素 `(x, y)` 的灰度值。

### 2.1.2 直方图构建

计算出梯度后，下一步是构建直方图。直方图是一种统计工具，它可以描述图像中梯度方向的分布。对于每个像素点，将其梯度方向量化到预定义的区间内，并统计该区间内梯度的数量。最终形成一个长度为 `n` 的直方图，其中 `n` 为区间数量。

# 2. HOG特征理论基础

### 2.1 直方图梯度

#### 2.1.1 梯度计算

梯度是描述图像中像素亮度变化率的数学概念。对于图像中的每个像素点，可以计算其在水平和垂直方向上的梯度。梯度的计算公式如下：

Gx = I(x + 1, y) - I(x - 1, y)
Gy = I(x, y + 1) - I(x, y - 1)

其中，`I(x, y)` 表示图像中像素点`(x, y)`的亮度值。

#### 2.1.2 直方图构建

直方图是一种统计工具，用于表示数据分布。对于图像梯度，可以将梯度的幅值和方向量化到一系列离散的区间，并统计每个区间中梯度的数量。这样就构建了梯度直方图。

### 2.2 HOG特征描述符

#### 2.2.1 单元格和块

HOG特征描述符是基于图像梯度直方图构建的。它将图像划分为小的单元格，通常为 8x8 像素。每个单元格内计算梯度直方图，得到一个长度为 9 的向量（8 个方向梯度 + 1 个幅值）。

然后，将相邻的单元格分组为更大的块，通常为 2x2 个单元格。每个块内的单元格梯度直方图连接起来，形成一个长度为 36 的向量。

#### 2.2.2 特征归一化

为了减少光照变化和对比度差异的影响，HOG特征需要进行归一化。通常使用 L2 归一化，即