Hog

https://www.learnopencv.com/histogram-of-oriented-gradients/
https://zhuanlan.zhihu.com/p/85829145
https://www.bilibili.com/video/BV117411d7oz?p=3&t=807

选择一个高宽比例固定的滑窗，这个是在原始图像（original image）进行滑窗，比如这里选择的是 100×200，然后resize 成 64×128。
那么一张图可以获得的图片数量是，W 是原始图片的宽，H 是原始图片的高， 分别是滑动窗口的高和宽，stride 是步长

下面这张图的大小是 64宽乘128高（图片块需要有固定的长宽比），分割成 88 的 cell，那么一共有 64/8128/8 = 8*16=128 个网格。

计算梯度幅值和梯度方向

将梯度值根据角度分配到直方图中，直方图包含了 9 个 bin 来对应 0,20,40,…160 这些角度。

上图左边是梯度方向（也就是角度），右边是梯度幅值，梯度幅值为 2 对应的角度是 80 度（上图蓝色标记），在直方图可以找到对应的角度，所以直接赋值给 80度这个bin，幅度为 4 对应的角度为 10 度（上图红色标记），在直方图找不到对应位置，所以需要进行分配，示意图如下，因为 10度刚好在 0和20度中间，所以按照比例一半给 0度这个bin，一半给 20度这个bin。

下图，幅值为 85 对应的角度是 165，有个前提条件是 0 度和 180度是一样的，所以相当于要把 85 按照比例分给 0 度和 160度这两个bin（因为 165 处于 160度和180度之间，而0 度和 180 度是等价的）
分配给0度这个bin的值是 ，分配给 160度这个bin是值是

每一个 8×8的cell 会生成一个 9 bin的直方图，如下所示：

下面需要进行归一化操作，具体过程是这样的，我们以 4 个 8×8 cell 为一组，就是下图中的蓝色滑窗，每一个滑窗包含 4 个 cell，而每个cell 可以产生 9 个bin，所以一个滑窗可以获得 36 个bin，对这 36维进行归一化，假设这个向量是 那么归一化就是

从左至右，从上到下进行窗口滑动，这样就可以得到 7×15=105 个滑窗。
所以一张 64×128 大小的图可以获得 维的向量

所以一张原始输入图片获得的特征数量是