HOG，英文全称为Locally Normalised Histogram of Gradient Orientation in Dense Overlapping Grids，即局部归一化的梯度方向直方图，是一种对图像局部重叠区域的密集型描述符，它统计图像的局部区域的梯度方向信息作为局部凸显该区域的表征。具体来说，将梯度方向（0°～360°）划分成9个区间，将图像划分成16×16像素的若干块（Block），每个块再划分成4个8×8像素的单元格（Cell）。对于每一个Cell，计算每一像素点的梯度方向和模，按梯度方向增加对应bin的值，最终综合n个Cell的梯度直方图形成一个高维描述子向量[13-16]。
7.11.1 HOG算法的使用
在Windows 7环境下，安装CodeBlock编译环境，并配置OpenCV。
该算法对应的项目名称是HoG_Project。具体执行步骤如下。
（1）打开HoG_Project文件夹，然后用CodeBlocks打开HoG_Project.cbp文件。
（2）如果不修改输入数据及相关参数，则直接执行（4）。
（3）如果修改数据，则可在主函数中的第一行代码中进行修改：
其中，readImg的第一个参数是图像集的文件名，第二个参数是图像文件的后缀名。
（4）运行HoG.cpp文件即可。
注意：本实验中使用的图像为灰度图，尺寸大小都是相同的。
7.11.2 HOG算法原理
在 OpenCV 中，HOG描述子是针对一个检测窗口而言的，一个窗口有[(128-16)/8+1]×[(64-16)/8+1]=105个Block，一个Block有4个Cell，一个Cell的HOG描述子向量的长度是9，所以一个检测窗口的HOG描述子的向量长度是105×4×9=3780维。文献[15]中给出了HOG算法原理的步骤：
（1）灰度化图像处理。在本实验中，图像集是灰度图，所以该算法代码就没有再对图像一一进行灰度化处理。
（2）计算图像每一个像素的梯度，该梯度包括大小和方向。计算图像横坐标和纵坐标的梯度，在此基础上求每个像素位置的梯度方向值。这一步不仅可以捕获轮廓和纹理信息，还可以进一步弱化光照的影响。
（3）将图像分割成小的Cell。一个Cell是HOG特征最小的结构单位，Block和窗口win的滑动步长就是一个Cell的宽度或高度，因此，需要先把整幅图像分割成一个个的Cell。
（4）为每个Cell构建梯度方向直方图。这是最关键的一步，它主要是统计局部图像梯度信息并进行量化，得到局部图像区域的特征描述向量。
（5）将Cell组成大的Block，然后Block内归一化梯度直方图。这也是很关键的一步。
（6）生成HOG特征描述向量。将所有的Block的HOG描述符组合在一起，形成最终的特征向量，该特征向量描述了检测窗口的图像内容。
在本实验中，我们使用的图像集全部都是灰度图，尺寸大小都是150×200像素。在本实验中检测窗口的大小为64×128像素（其中Block大小为16×16像素，Block的滑动步长为8×8像素，Cell大小为8×8像素，一个Cell内统计9个方向的梯度直方图），窗口滑动步长为64×64像素，扩充像素数为42×56像素。也就是说，宽扩充42个像素点，高扩充56个像素点，因此每一幅图像的检测窗口共有9个，即我们使用3780×9=34 020维度的特征向量表示每一幅图像。于是，我们便得到了每一幅图像的表示，接着进行图像之间的匹配，本算法中我们使用的是欧氏距离度量方法。阈值为16，也就是说，我们认为欧氏距离小于16的图像都是相似图像。
7.11.3 HOG算法实现
我们使用的是OpenCV中的HOG特征提取功能，它使用了HOGDescriptor类的封装。下面程序中的部分代码来自文献[13-16]。
7.11.4 HOG算法的实验数据、实验结果及分析
1.实验数据
实验输入数据为150×200像素的原始图像，数据集路径为“..HoG_Projectimage150×200”。输入的测试图像为文件夹中的第一个图像。实验输出数据为图像的序号和图像之间的距离，输出数据存于“.HoG_ProjectHoG_distance.txt”。
2.实验结果
查询图像如图7-17所示。
图7-17 查询图像（7）
检索出的部分相似图像如图7-18所示。
图7-18 检索出的部分相似图像（7）
以下是HoG_distance.txt的部分内容展示，如表7-7所示。
表7-7 HoG_distance.txt部分内容展示
续表
3.实验分析
从检索结果中我们发现，返回结果并不多，但是结果中的误报数很小（为零），所有返回的图像都与查询相关。本次实验的查准率是37/37×100%=100%，查全率是37/42×100%=88.095%。