摘要：随着社会快速的发展以及日益精进的科技技术，计算机开始慢慢的应用于生活的方方面面，计算机视觉领域也有了飞速的发展，比如人脸识别，行人检测，跟踪等方面都有了重大的突破。人可通过视觉去识别一个对象，比如行人，车子等，然而计算机想要识别一个物体，并非易事。

图像识别技术是指让计算机对图像内容进行处理、分析和理解，然后让计算机在各种形式的图像中分辨出目标和物体的技术。提取图像特征是图像识别领域的一个重要研究方法，图像有多种特征，如HOG、SIFT、SURF、ORB、LBP、HAAR特征，其中HOG特征在计算机视觉领域中具有重要的研究意义，本文主要研究HOG特征提取算法以及实现。

HOG，或者称为方向梯度直方图，是一种描述特征的描述子，一般用来提取图像的特征。 它广泛用于计算机视觉任务中的对象检测。HOG描述符着重于对象的结构或形状。HOG也能够提供边缘方向。这是通过提取边缘的梯度和方向（或者可以说大小和方向）来完成的。HOG首先将完整图像分解为较小的区域, 并针对每个区域计算梯度和方向。然后HOG根据梯度和方向为每个区域生成直方图，每个区域根据相应的梯度直方图生成特征向量，然后将所有区域的特征向量合并为一个特征向量，得到整个图像的hog特征向量。

本文分为4个章节来描述HOG特征。第一章主要讲述了HOG算法的研究意义及背景；第二章讲述了HOG特征的计算过程，数学公式，以及在C++中的实现；第三章讲述了HOG算法的应用领域以及研究价值等。

关键词  HOG，行人检测，梯度方向直方图，计算机视觉

目录

摘要

ABSTRACT

第 1 章 绪 论

1.1研究背景及意义

1.2本文结构

第 2 章 HOG特征实现过程

2.1算法原理

2.1.1特征描述符

2.1.2 HOG特征原理简介

2.2计算过程

2.2.1 gamma矫正和灰度化

2.2.2求图像像素梯度大小和方向

2.2.3统计细胞单元（Cell）的梯度方向直方图

2.2.4统计块（Block）的梯度方向直方图（HOG）

2.2.5统计窗口（Window）的梯度方向直方图

2.2.6统计整幅图像的梯度方向直方图

2.2.7改进：归一化（normalize）

2.3 C++代码实现

2.3.1灰度化

2.3.2计算图像所有像素的梯度和方向

2.3.3计算所有cell的梯度特征：

2.3.4计算每个block的梯度特征：

2.3.5计算图像的HOG特征：

2.3.6改进：归一化（normalize）

第3章 HOG特征在行人检测中的应用

3.1行人检测

3.1.1概述

3.1.2原理

3.2 SVM分类器

3.3在OpenCV中基于C++语言的实现

3.3.1代码：

3.3.2实验结果：

第4章 应用领域及价值

4.1应用领域

4.2研究价值

参考文献

致谢