HOG

Histogram of Oriented Gridients，缩写为HOG，能够描述局部纹理的特征。HOG只能去描述图像区域比较小的情况。因为比如如果让hog去描述一张400*600的图，有30万个像素点，就算按照360度分成360个bin还是不能表示这个图的特征，因为会有很多直方图会重复。因此HOG只能去描述局部区域。

为什么要用HOG？

之前harris用图像中的每一个patch来建立互相关矩阵，而为了使图像的亮度更具有稳健性，因此SIFT使用了HOG.

HOG的两个图像分割策略

overlap:即图像分割的patch有重叠。以识别人的眼睛为例，如果正好将图像分割到人的眼睛的中间处，则会影响分类的效果。因此overlap可以减轻这种影响，当然随之而来的也是巨大的计算量。
nonoverlap:和overlap的优缺点正好相反。

HOG中是如何统计梯度方向向量的？

https://blog.csdn.net/coming_is_winter/article/details/72850511
例如一张64*128的图片，我们用8*8的cell将其nonoverlap分割。一共得到了64/8128/8=816=128个cell，而每个cell中有8*8个梯度方向，让后将其统计出来，得到了128个梯度直方图，每个直方图统计了8*8个像素。如果梯度方向分了4个，例如上下左右，则之后梯度直方图就会转换为一个128*4=512的特征向量。