HOG特征：方向梯度直方图（Histogram of Oriented Gradient,）特征是一种全局图像特征描述子。
它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。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。
参考原文：目标检测之特征提取之—HOG特征 如有疑义，请拜访原文。
RGB的DPM检测特征和其级联方法是最后一个有效的传统的目标检测方法，翻译见DPM原理详解，此后，如有疑义，请拜访原文，作者的主页面：http://www.rossgirshick.info/。
DPM项目主页：Object Detection with Discriminatively Trained Part Based Models
Visual Object Detection with Deformable Part Models
P. Felzenszwalb, R. Girshick, D. McAllester, D. Ramanan Communications of the ACM, no. 9 (2013): 97-105
一、HOG+SVM模型
1、HOG描述子的计算过程
输入图像image：
1）灰度化（ 将图像看做一个x,y,z（灰度）的三维图像）；
2）采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；
3）计算图像每个像素的梯度（包括大小和方向）；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。
4）将图像划分成小cells（例如6*6像素/cell）；
5）统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor； 原始HOG特征划分为9个直方图区间。
意义：计算梯度直方图，可以降低光线明暗变化带来的影响，保持良好的光照不变性和特定的旋转不变性。
6）将每几个cell组成一个block（例如3*3个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。（此处cell和block，每个block可以多个cell，相邻cell之间产生特定像素的重叠，可以有效的抵挡偏移影响。行人检测的最佳参数设置是：3×3细胞/区间、6×6像素/细胞、9个直方图通道。则一块的特征数为：3*3*9）
意义：覆盖划分区域用于降低图像块偏移带来的影响；并同时保持特定区域相关性。
7）将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。
以220X310大小图像为例，经过缩放处理后为216x304，但并不直接提取整个图像的HOG特征，而是用一个固定大小的窗口在图像上滑动，滑动的间隔为8个像素，opencv中默认的窗口大小为128x64（高128，宽64），即有(128÷8)x(64÷8)=16x8个cell，也即有15x7个block，这样一来一幅图像就可以取到(27-16)x(38-8)=11x30=330个窗口。现在提取每个窗口的HOG特征，则可得到 105x36=3780 维HOG特征向量。
2、HOG特征的全局性质
HOG特征并非固定长度约束的特征描述子。向量的维数和图像大小和Cell大小有关。每一个Cell里面统计梯度直方图，形成每个Cell的梯度特征。其中每个Cell里面提取的特征可以使用其他块特征取代。
2.1. HOG优点：
与其他的特征描述方法相比，HOG有很多优点。首先，由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。因此HOG特征是特别适合于做图像中的人体检测的。
全局变形性，局部不变形，在区分行人特征和左右眼特征时具有天然的优势。当然，HOG思想是一个算法族，Cell和Block思想是主要思想，重叠度直方图分区块大小可以根据实际情况进行调参，在一定的数据集上，力求达到最佳效果。
3、使用OpenCV进行HOG特征计算
OpenCV的ObjectDetect模块包含了HOG计算的源代码，使用例程如下
bool CEyeClassify::GetHogFeature(const cv::Mat& imggray, std::vector<float>& vecFeature)
{
const int cnSizeW = CEyeClassify::m_PatchWidth;
const int cnSizeH = CEyeClassify::m_PatchHeight;
{
cv::Mat imggray1;
resize(imggray, imggray1, cv::Size(cnSizeW, cnSizeH), 0, 0, CV_INTER_LINEAR); cv::HOGDescriptor hog(imggray1.size(), cv::Size(16, 16), cv::Size(8, 8), cv::Size(8, 8), 9); // 48x32 540
hog.compute(imggray1, vecFeature);
} return true;
}
二、DPM+LatentSVM模型
DPM（Deformable Part Model），正如其名称所述，可变形的组件模型，是一种基于组件的检测算法，其所见即其意。该模型由大神Felzenszwalb在2008年提出，并发表了一系列的cvpr，NIPS。并且还拿下了2010年，PASCAL VOC的“终身成就奖”。
1、DPM描述子的计算过程
输入图像image
2、DPM描述子的检测过程
输入图像image
3、Latent SVM模型
输入图像image
参考资料：
1.HOG维基百科:https://en.wikipedia.org/wiki/Histogram_of_oriented_gradients