主流特征描述
特征描述-HOG 算子
HOG 算子即方向梯度直方图，是一种广泛应用于行人检测、目标跟踪的特征描述。行人检测以HOG+SVM的思路，获得了极大的成功。在目标跟踪中HOG 特征也被广泛应用于描述物体特征，比如KCF 算法就使用了三通道的HOG 特征。
HOG 的主要思想就是在一副图像中，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）。从而采用直方图的方式来作为基本的描述子。具体实施时，首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。为了提高描述子的性能，更好地适应光照和阴影的变化，把这些局部直方图在图像的更大的范围内（我们把它叫区间或block ）进行对比度归一化（contrast-normalized ），所采用的方法是：先计算各直方图在这个区间（block ）中的密度，然后根据这个密度对区间中的各个细胞单元做归一化。通过这个归一化后，能对光照变化和阴影获得更好的效果。
与其他的特征描述相比，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。
具体实现时，首先采用Gamama 校正法对输入图像进行颜色空间的标准化，调节图像对比度，降低图像局部的阴影和光照变化造成的影响。接着计算每个像素的梯度（包括幅值和相位）。将图像划分成小cells （比如6*6）, 统计每个cell 的梯度直方图。比如可以取9bin 的直方图，将0-360分成9份，判断一个cell 中的每一个点的相位属于哪个区间，则直方图该项加上一个值，该值由该点的权重和梯度幅值共同决定。以这样的方式，得到每一个cell 的描述子。然后将几个cell 组成一个block （比如3*3个cell ）, 一个block 内所有cell 的描述子串联得到该block 的描述子。将图像的所有block 的描述子串联得到该图像的hog 特征。
Hog 特征是一种很好的特征描述子，在深度学习网络出现之前，Hog 是精度最高的特征描述子之一。在真实的使用中，hog 特征对于缓慢变化可以很好地表述，然而对于剧烈的变化，旋转，表述力度不够好。