hog特征是由于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，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的。

　　那么关于hog特征以及hog特征中文全称是，hog特征提取算法，HoG特征，Hog特征提取每一步的对应图片，Hog特征提取等问题，小编将为你整理以下的知识答案：

hog特征

　　hog特征是由于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，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的。

　　Histogram of Oriented Gridients，缩写为HOG，是目前计算机视觉、模式识别领域很常用的一种描述图像局部纹理的特征。

　　这个特征名字起的也很直白，就是说先计算图片某一区域中不同方向上梯度的值，然后进行累积，得到直方图，这个直方图呢，就可以代表这块区域了，也就是作为特征，可以输入到分类器里面了。

　　与其他的特征描述方法相比，HOG有很多优点。

　　首先，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 。

hog特征为什么可以用于行人识别能不能用于其他识别

1. 　　hog描述子在opencv中为HOGDescriptor。

2. 　　2. 可以调用该描述子setSVMDetector方法给用于对hog特征进行分类的svm模型的系数赋值，这里的参数为HOGDescriptor::getDefaultPeopleDetector()时表示采用系统默认的参数，因为这些参数是用很多图片训练而来的。

3. 　　3. 对输入图片进行行人检测时由于图片的大小不一样，所以要用到多尺度检测。

   　　这里是用hog类的方法detectMultiScale。

   　　参数解释如下：

4. 　　HOGDescriptor::detectMultiScale(const GpuMat img， vector<Rect> found_locations， doublehit_threshold=0， Size win_stride=Size()， Size padding=Size()， double scale0=1.05， int group_threshold=2)

5. 　　该函数表示对输入的图片img进行多尺度行人检测 img为输入待检测的图片；found_locations为检测到目标区域列表；参数3为程序内部计算为行人目标的阈值，也就是检测到的特征到SVM分类超平面的距离;参数4为滑动窗口每次移动的距离。

   　　它必须是块移动的整数倍；参数5为图像扩充的大小；参数6为比例系数，即滑动窗口每次增加的比例；参数7为组阈值，即校正系数，当一个目标被多个窗口检测出来时，该参数此时就起了调节作用，为0时表示不起调节作用。

6. 　　4.  最后对检测出来的目标矩形框，要采用一些方法处理，比如说2个目标框嵌套着，则选择最外面的那个框。

7. 　　5.  因为hog检测出的矩形框比实际人体框要稍微大些，所以需要对这些矩形框大小尺寸做一些调整。