HOG，英文全稱為Locally Normalised Histogram of Gradient Orientation in Dense Overlapping Grids，即局部歸一化的梯度方向直方圖，是一種對圖像局部重疊區域的密集型描述符，它統計圖像的局部區域的梯度方向信息作為局部凸顯該區域的表徵。具體來說，將梯度方向（0°～360°）劃分成9個區間，將圖像劃分成16×16像素的若干塊（Block），每個塊再劃分成4個8×8像素的單元格（Cell）。對於每一個Cell，計算每一像素點的梯度方向和模，按梯度方向增加對應bin的值，最終綜合n個Cell的梯度直方圖形成一個高維描述子向量[13-16]。
7.11.1 HOG算法的使用
在Windows 7環境下，安裝CodeBlock編譯環境，並配置OpenCV。
該算法對應的項目名稱是HoG_Project。具體執行步驟如下。
（1）打開HoG_Project文件夾，然後用CodeBlocks打開HoG_Project.cbp文件。
（2）如果不修改輸入數據及相關參數，則直接執行（4）。
（3）如果修改數據，則可在主函數中的第一行代碼中進行修改：
其中，readImg的第一個參數是圖像集的文件名，第二個參數是圖像文件的後綴名。
（4）運行HoG.cpp文件即可。
注意：本實驗中使用的圖像為灰度圖，尺寸大小都是相同的。
7.11.2 HOG算法原理
在 OpenCV 中，HOG描述子是針對一個檢測窗口而言的，一個窗口有[(128-16)/8+1]×[(64-16)/8+1]=105個Block，一個Block有4個Cell，一個Cell的HOG描述子向量的長度是9，所以一個檢測窗口的HOG描述子的向量長度是105×4×9=3780維。文獻[15]中給出了HOG算法原理的步驟：
（1）灰度化圖像處理。在本實驗中，圖像集是灰度圖，所以該算法代碼就沒有再對圖像一一進行灰度化處理。
（2）計算圖像每一個像素的梯度，該梯度包括大小和方向。計算圖像橫坐標和縱坐標的梯度，在此基礎上求每個像素位置的梯度方向值。這一步不僅可以捕獲輪廓和紋理信息，還可以進一步弱化光照的影響。
（3）將圖像分割成小的Cell。一個Cell是HOG特徵最小的結構單位，Block和窗口win的滑動步長就是一個Cell的寬度或高度，因此，需要先把整幅圖像分割成一個個的Cell。
（4）為每個Cell構建梯度方向直方圖。這是最關鍵的一步，它主要是統計局部圖像梯度信息並進行量化，得到局部圖像區域的特徵描述向量。
（5）將Cell組成大的Block，然後Block內歸一化梯度直方圖。這也是很關鍵的一步。
（6）生成HOG特徵描述向量。將所有的Block的HOG描述符組合在一起，形成最終的特徵向量，該特徵向量描述了檢測窗口的圖像內容。
在本實驗中，我們使用的圖像集全部都是灰度圖，尺寸大小都是150×200像素。在本實驗中檢測窗口的大小為64×128像素（其中Block大小為16×16像素，Block的滑動步長為8×8像素，Cell大小為8×8像素，一個Cell內統計9個方向的梯度直方圖），窗口滑動步長為64×64像素，擴充像素數為42×56像素。也就是說，寬擴充42個像素點，高擴充56個像素點，因此每一幅圖像的檢測窗口共有9個，即我們使用3780×9=34 020維度的特徵向量表示每一幅圖像。於是，我們便得到了每一幅圖像的表示，接著進行圖像之間的匹配，本算法中我們使用的是歐氏距離度量方法。閾值為16，也就是說，我們認為歐氏距離小於16的圖像都是相似圖像。
7.11.3 HOG算法實現
我們使用的是OpenCV中的HOG特徵提取功能，它使用了HOGDescriptor類的封裝。下面程序中的部分代碼來自文獻[13-16]。
7.11.4 HOG算法的實驗數據、實驗結果及分析
1.實驗數據
實驗輸入數據為150×200像素的原始圖像，數據集路徑為「..HoG_Projectimage150×200」。輸入的測試圖像為文件夾中的第一個圖像。實驗輸出數據為圖像的序號和圖像之間的距離，輸出數據存於「.HoG_ProjectHoG_distance.txt」。
2.實驗結果
查詢圖像如圖7-17所示。
圖7-17 查詢圖像（7）
檢索出的部分相似圖像如圖7-18所示。
圖7-18 檢索出的部分相似圖像（7）
以下是HoG_distance.txt的部分內容展示，如表7-7所示。
表7-7 HoG_distance.txt部分內容展示
續表
3.實驗分析
從檢索結果中我們發現，返回結果並不多，但是結果中的誤報數很小（為零），所有返回的圖像都與查詢相關。本次實驗的查准率是37/37×100%=100%，查全率是37/42×100%=88.095%。