opencv笔记--HOGDescriptor
特征描述提取图像区域上有用信息而忽略无用信息，不同目标下有用信息与无用信息定义不同。这里提取的有用信息用于分类器输入并期望产生正确的分类。
HOG(Histogram of Oriented Gradient) 对图像块生成描述信息 vector，然后将每个图像块指定一个分类(-1, 1)，通过大量训练得到一个线性分类器(SVM)；针对新图像块首先生成描述 vector，在使用训练分类器对新的描述 vector 分类，实现图像分类。
HOG 首先应用在行人检测，opencv 中 HOGDescriptor 类已经给出了一个默认的分类器（HOGDescriptor::getDefaultPeopleDetector()），通过该分类器可实现图像中行人检测。
当需要对其他物体进行检测时，则需要自定义一个描述信息 vector, 训练分类器，最终实现特定图像分类。
这里首先学习默认描述信息 vector 的生成及分类：
1）行人检测默认图像块为 64 * 128，当需要检测其他尺寸下是否存在行人时，需要将其缩放到默认尺寸，如尺寸 100 * 200， 128 * 256... ，但检测长宽比总为 1:2 的区域；
2）计算图像梯度与梯度方向，形成梯度图与梯度方向图；
3）在 8 * 8 邻域内计算梯度方向直方图，计算方法如下图：
首先将梯度方向取值范围修改为 [0° ,180°)，然后划分为 9 个 bins，使用加权方式填充梯度方向直方图；
4）将 16 * 16 邻域内的4个梯度直方图连接成 1 * 36 vector，并将其归一化处理；
以 8 * 8 的步长在 64 * 128 图像块上扫描图像，每次扫描形成一个 1 * 36 vector 并归一化，最终得到 7 * 15 * 36 = 3780 个元素的特征向量；
5）以 1 * 3780 vector 作为图像特征训练 SVM 分类器, SVM 分类器基本原理如下
寻找一个超平面 
，对于任意特征向量 X 可正确分类，W 可通过训练得到；
当训练完成后，针对新的特征向量，满足 
为正类，满足 
为负类；
在实际检测中，为了提升正类的可信度，可能使用 
进行分类，
。
opencv 提供 HOGDescriptor 类已经训练好行人分类器（HOGDescriptor::getDefaultPeopleDetector()），下面对 HOGDescriptor 给出一些解释：
1) HOGDescriptor() : winSize(64,128), blockSize(16,16), blockStride(8,8),
cellSize(8,8), nbins(9), derivAperture(1), winSigma(-1),
histogramNormType(HOGDescriptor::L2Hys), L2HysThreshold(0.2), gammaCorrection(true),
nlevels(HOGDescriptor::DEFAULT_NLEVELS)
以上代码构造 HOGDescriptor 对象，主要参数意义如下：
winSize：行人区域尺寸，在该尺寸上生成特征向量；对于大于该尺寸的行人，使用缩小到 winSize 尺寸以实现多尺度；应该注意的是，当行人尺寸较小时，无法通过放大到 winSize 尺寸实现检测；
cellSize：在 cellSize 区域上构造梯度方向直方图；
nbins：一个 cellSize 区域上形成梯度直方图的 bins；
blockSize: 梯度方向直方图归一化尺寸，对 2 * 2 cells 进行归一化；
中 
取值，提升正类可信度；
参考资料 https://www.learnopencv.com/histogram-of-oriented-gradients/
