HOG（Histogram of Oriented Gradients，方向梯度直方圖）特徵是一種在計算機視覺和圖像處理中廣泛使用的特徵描述子，主要用於物體檢測。HOG特徵通過計算和統計圖像局部區域的梯度方向直方圖來構成特徵向量。這種特徵描述子能夠很好地表示圖像中目標的外觀和形狀，尤其對光照變化、陰影和幾何形變具有較好的穩定性。
HOG特徵提取的基本步驟包括：
圖像灰度化：將彩色圖像轉換為灰度圖像，以減少計算複雜度。
Gamma矯正：通過Gamma變換對圖像進行標準化，以減少光照不均的影響。
計算梯度：使用特定的運算元（如[−1,0,1]T[ - 1, 0, 1]^T[−1,0,1]T）與圖像卷積，得到每個像素的梯度大小和方向。
構建方向梯度直方圖：將圖像劃分為多個小單元格（或稱為cells），每個cell內統計梯度方向直方圖。
塊效應歸一化：將相鄰的多個cell組成一個塊（或稱為block），對這些塊的直方圖進行對比度歸一化，以進一步提高對光照和陰影變化的魯棒性。
形成特徵向量：將所有blocks的特徵串聯起來，形成最終的HOG特徵向量。
HOG特徵結合SVM（支持向量機）分類器在行人檢測等領域取得了顯著的成功。它的主要優點包括對幾何和光學形變的良好不變性，以及對於局部光照和陰影變化的魯棒性。