论文1之Exhaustive Search方法：Histograms of oriented gradients for human

该论文首次提出了HOG特征描述符。

可以参考如下博客《目标检测的图像特征提取之（一）HOG特征》、《方向梯度直方图-Hog算法介绍》和

《梯度方向直方图HOG(Histogram of Gradient)特征总结》

论文中主要思想：在一副图像中，局部目标的表象和形状（appearance and shape）能够被梯度或边缘的方向密度分布很好地描述。（本质：梯度的统计信息，而梯度主要存在于边缘的地方）。

主要步骤

1.计算每一个像素的梯度和方向，计算公式如下

2.将图片划分成若干个cell，每个cell中包括若干个像素，例如4x 4的cell包含16个像素，然后将cell按360度分段，例如划分成两段，0-179度算一段，180-360度算第二段，然后cell中4X4的像素中梯度方向属于0-179度的落在第一段，梯度方向属于180-360的落在第二段，大小是梯度值之和。

 

这是简单的HOG特征，当然有很多变种，具体看博客的论述。

 

论文中使用HOG特征进行目标检测的过程如图

博文中指出“例如：行人检测的最佳参数设置是：每个区间3×3个cell、每个cell6×6个像素、一共9个直方图通道。则一块的特征数为：3*3*9。”在论文中没有找到训练这些参数的方法。论文最后在“Future Work“中指出”Finally,although the current fixed-template-style detector hasproven difficult to beat for fully visible pedestrians“。推测当时的物体检测还是基于模板的方法。