目录
前言
几个高频面试题目
HOG与SIFT区别
边缘特征与梯度方向直方图的关系
算法原理
什么是HOG
图像中像素点的梯度计算
为每个cell构造梯度方向直方图HOG
数学模型
方向梯度直方图计算步骤
第一步：预处理
第二步：计算梯度图像
第三步：在8*8的网格中计算梯度直方图
第四步: 16*16块归一化
第五步：计算HOG特征向量
积分图像
算法流程图
优缺点
HOG的优点：
HOG的缺点：
代码实现
python
代码2
C++
基于OpenCv和C++方向梯度直方图HOG特征向量描述符
前言
梯度直方图特征(HOG) 是一种对图像局部重叠区域的密集型描述符, 它通过计算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。
几个高频面试题目
HOG与SIFT区别
HOG和SIFT都属于描述子，以及由于在具体操作上有很多相似的步骤，所以致使很多人误认为HOG是SIFT的一种，
