HOG（Histogram of Oriented Gradients）算法是一種用於圖像處理和計算機視覺中的特徵描述符，主要用於對象檢測和模式識別。HOG算法通過計算圖像局部區域梯度方向直方圖來構成特徵，這些特徵對圖像的幾何和光學形變具有很好的不變性。HOG算法的主要步驟包括：
圖像預處理：首先將圖像轉換為灰度圖像，並進行伽馬校正以減少光照和陰影的影響。
計算梯度：計算圖像中每個像素的梯度大小和方向，這主要通過計算x和y方向上的梯度來實現。
劃分單元格：將圖像劃分為多個小的連通區域，稱為細胞單元（cells），每個細胞單元內計算梯度直方圖。
組合塊特徵：將多個細胞單元組合成一個塊（blocks），每個塊內的直方圖特徵組合起來形成該塊的特徵描述符。
歸一化：對每個塊的直方圖特徵進行歸一化，以提高算法對光照變化和陰影的魯棒性。
特徵向量：將圖像中所有塊的特徵向量組合起來，形成最終的HOG特徵向量。
HOG算法在行人檢測等領域取得了極大的成功，並且經常與支持向量機（SVM）等分類器結合使用。HOG算法能夠提取出圖像中邊緣和輪廓的信息，對於形狀和紋理的識別非常有效。