目标检测的图像特征提取之（一）HOG特征
这篇文章讲的比较透彻，可以参考。需要注意的是，这篇文章最后的例子计算结果是错误的，正确结果是2340。
OpenCV HOGDescriptor 参数图解
这篇文章通过图解的方式详细解释了一下window、block、cell的关系。
HOG特征-理解篇
这是大神@Rachel-Zhang 写的。
opencv源码解析之(6)：hog源码分析
openCV的hog源码解析。
openCV的实现代码：
Mat imageMat;
imageMat = imread("/Users/***/Desktop/640_480.png", 1);//图像大小640 * 480
if (!imageMat.data) {
printf("No image data.\n");
return -1;
}
HOGDescriptor *hog = new HOGDescriptor(cvSize(64, 48), cvSize(32, 32), cvSize(8, 8), cvSize(16, 16), 9);
vector<float> descriptors;
hog->compute(imageMat, descriptors, Size(2, 2), Size(0, 0));
cout << "descriptors.size = " << descriptors.size() << endl;//输出hog特征描绘子的维度
输出是
descriptors.size = 54000
解释一下函数参数：
---HOGDescriptor函数
cvSize(64, 48)：滑动窗口大小
cvSize(32, 32)：block大小
cvSize(8, 8)：block的移动步长
cvSize(16, 16)：cell大小
9：bins个数
前四个参数的单位都是像素。
---compute函数
imageMat：图像
descriptors：hog描绘子（是一个向量，计算结果就储存在descriptors中）
Size(64, 48)：窗口的移动步长
Size(0, 0)：图像的padding补偿，因为有些图像的大小可不不那么合适，不能整除窗口大小，所以，可以在周围添加一圈补偿像素。
运行输出结果是 54000，咋来的呢？
是这样，先计算一个窗口的特征长度。一个cell是9个维度，一个block有4个cell，那么一个block就有4*9=36个维度。滑动窗口大小是64*48，block大小是32*32，block的步长是8*8，那么在窗口内，block横向扫描 (64 - 32) / 8 + 1 = 5次，纵向扫描 (48 - 32) / 8 + 1 = 3次，那么总共扫描 3 * 5 = 15次，15 * 36 = 540，即一个窗口的特征维度大小是540.
然后，窗口在图像上滑动，图像大小 640*480，窗口大小 64*48，滑动步长是 64*48，那么横向扫描 (640 - 64) / 64 + 1 = 10 次，纵向扫描 (480 - 48) / 48 + 1 = 10 次，那么总共扫描窗口 100次。
当然，这里的窗口滑动步长设置的是不合理的，为了方便计算我写的是 (64, 48)。
所以，540*100 = 54000，结果就是这么来的。
