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，