我看的视频地址：https://www.bilibili.com/video/BV1dz411B7Rd?from=search&seid=15644842294857067045&spm_id_from=333.337.0.0
方向梯度直方图特征，HOG：
首先讲一些基础知识，关于图像的梯度的。
对于函数f(x,y),它的梯度向量是（fx,fy）；
如果一张图像用函数f(x,y)表示的话，图像梯度就很容易计算。对于每个像素点，计算图像的水平梯度值x和垂直梯度值y。
其中，方向梯度值为
梯度角为
梯度值范围是0-255，很大的负方向变化像素表现为黑色，很大的正方向变换像素则表现为白色。
这里举一个例子，有一张黑色的图，中间有一个白色的圆形，中间是X方向的梯度图，右边是Y方向的梯度图。
要得到X方向的梯度图，首先要做的就是让我们的扫描线从左边走到右边，首先我们会看到很多像素值为0的黑色，然后就会看到像素值为255的白色，有一个巨大的梯度差。从0到255（从小到大）这表示一个正梯度，在图中呈现为白色。然后继续扫描，像素就从255到0即白色转换到了黑色，这表示为一个负梯度，在这个方向上像素值下降了，在图中呈现黑色。
同理，要得到Y方向的梯度图，像素先从0到255表示正梯度，在梯度图中呈现白色，然后从255到0，呈现黑色。
接下来我们来看一个例子，让我们假设它们可以在特点的像素范围内缩放，来看一小部分的像素值，可以把这小部分看作一个cell。
X方向的梯度值是120-70=50，Y方向是100-50=10.把他们俩放在一起就得到了特征向量[50 50]，用以下方法计算总体的梯度值或梯度大小和梯度角：
现在我们就得到了向量的大小和方向，这个就是梯度直方图，定向梯度。
怎么理解定向梯度呢，这两个值就可以表示两个像素之间的关系，它们像素差值是多少，哪一边更高哪一边更低，我就可以用这两个值把原来的位置复原了。
接下来再举一个例子，
这是一辆汽车，右上是X方向的梯度图，右下是Y方向的梯度图。
第一步，定义一个8×8像素的cell单元，用来计算梯度值/角，于是我们就能得到每个像素的梯度值/角，表示图中那条红色的线条的长度和角度或者说方向。
接下来我们有计算得出的方向梯度值画一个直方图，画出梯度方向大小的所有梯度值。
现在我们就把图像的所有信息放在一起了。
如图，红色线条表示一个像素的不同梯度值。
这个就是我们想要得到的hog feature，用它去训练一个SVM，现在就能识别这辆汽车了。
将上面提到的cell平移一次，我们还会得到另一个hog feature，然后再平移一次，获得另外一个hog feature，这些被称为cell的维度，是非常重要的。
现在来总结一下：
1.hog feature是一种特征描述符，用来对对象做检测；
2.hog feature的特征非常强大，因为它可以和支持向量机svm分类器结合；
3.hog使用一个滑窗探测器，在图像上滑动，并且hog描述了每个位置的描述符；
4.通过改变图像尺度来处理缩放问题，可以缩小到上下，所以不用担心图像中不同的缩放比例很明显，它不依赖于颜色，没有依赖性，非常地紧凑；