企业官网建设流程全解析

最近整理手头的视觉特征工程笔记，翻到了那篇做行人检测绕不过去的经典论文，标题就是 Histograms of Oriented Gradients for Human Detection。HOG特征在国内更常叫“方向梯度直方图”，也有叫“梯度方向直方图”的，简单理解就是把图像局部区域的梯度方向统计成一个多维特征向量。这篇论文笔记，我按自己的理解把HOG特征从原理、计算、训练到调参的完整链路拆一遍，重点回答一个问题：为什么靠统计梯度方向，就能把行人检测做得足够稳。内容适合刚接触计算机视觉、还没系统读过原始论文的读者，也适合做过检测但没深究特征细节的工程同学。读完这套思路，你基本可以把传统检测管线自己复现一遍，也能更清楚后来深度学习里的特征层到底在学什么。

1. HOG特征到底在解决什么问题

1.1 行人检测难在哪里

行人检测是目标检测里最典型的任务之一，难就难在目标的“模式”不是固定的。行人可以直立行走，也可以侧身弯腰；衣服颜色千变万化；背景可能是街道、树木、栏杆，也可能是一堆轮廓跟人很像的杂物。光照一变，同一段路的同一个行人，在图像里可能变成完全不同的像素值。

如果直接用原始像素做模板匹配，你会发现这个模板几乎没有泛化能力。稍微换一个背景，像素值整体就会偏移；稍微转动一点角度，模板相关性就大幅下降。那我们能不能用“边缘”来做人呢？单纯提取边缘也不够：边缘图对噪声敏感，而且同一目标的边缘密度会随光照、纹理变化很大。更根本的问题是，边缘检测只告诉我们哪些位置有变化，却没告诉我们变化的“性质”。同样是一条竖直的边，可能是人的侧面轮廓，也可能是一根电线杆，单靠边缘位置很难区分。

所以HOG特征要解决的，是“如何在允许外观细节变化的前提下，把局部形状信息表达得更稳定”。它的本质是在一个很小的图像区域里，统计梯度方向的分布。这个分布既包含边缘朝向信息，又对单个像素的显微变化不敏感，恰好适合描述行人这种“轮廓主导、纹理次要”的目标。

1.2 核心思路：把梯度方向变成统计量

用一个生活里的类比来解释：如果你隔着很远的距离看一个人，细节可能看不清，但你仍能通过他整体的轮廓和姿态认出那是人。HOG做的事情，就是先把这种轮廓切成很多小块，再把每个小块里所有边缘的方向和强度记录成一种频率分布，相当于给每个小块画了一张“方向统计图”。

具体来说，对图像每个像素，我们先计算它在水平方向和垂直方向的梯度分量，然后求出梯度的方向和幅值。方向告诉你这个边缘是水平的、竖直的还是斜着的，幅值告诉你这段边缘有多“强烈”。然后我们把一小块区域，比如 8×8 像素，按照方向角度划分成 9 个区间，每个像素把自己幅值大小“投”到对应方向的区间里。这样，每个小块就得到一个 9 维的分布统计，也就是方向直方图。

为什么这种统计会有效？因为行人的四肢、头部、躯干在局部都有相对稳定的边缘方向结构。虽然衣服颜色、背景纹理经常变化，但局部轮廓的方向分布通常不会彻底改变。比如人的腿不管裤子的纹理是什么，边缘方向大致还是竖直的；手臂横着伸出去的边缘方向大致是水平的。HOG正是用局部方向统计来捕获这种“低层形状共性”，后续再做归一化来抵抗光照变化。

这背后其实还有一层设计逻辑：HOG不刻意寻找关键点，而是把整张图划分成密集的网格，每个网格都要提取特征。相比只对少数兴趣点做描述，密集采样能保证不遗漏行人身上任何一段边缘，尤其是中低分辨率的行人检测中非常重要。

2. 特征计算全流程拆解

2.1 预处理与梯度计算

原论文的流程并不复杂。首先是预处理：一般先把彩色图像转成灰度图，再做一次Gamma校正，常见的做法是取像素值的平方根，目的是压缩光照和对比度的动态范围，让后续特征更稳定。

真正的核心从梯度开始。计算水平梯度时，用模板[-1, 0, 1]对图像做卷积；垂直梯度用模板[-1, 0, 1]的转置。选择这套模板的原因很直接：它是最简单的中心差分，对像素噪声有一些平滑作用，又不至于把局部边缘拉得太宽。用更大的滤波器，比如带平滑权重的算子，虽然能滤掉更多噪声，但也会把细小结构抹平，实验下来检测精度并不划算。

有了水平梯度 dx 和垂直梯度 dy，我们可以算出每个像素的梯度幅值sqrt(dx^2 + dy^2)和方向角度atan2(dy, dx)。这里有一个关键细节：论文使用的角度范围是 0 到 180 度，也就是“无符号方向”。这意味着把某个边缘旋转 180 度之后，它会被当成同一个方向。

为什么这么做？因为行人检测中一个很常见的问题是正反对比：同一段轮廓，背景从浅色变成深色时，梯度方向会翻转。我们不希望同一个轮廓仅仅因为前景背景颜色对调，就被计算成两种完全不同的特征。如果只关心边缘“本身的朝向”，而不是从亮到暗的方向，检测器会稳定很多。在训练和预测阶段，这个角度范围必须保持一致，否则特征分布会错乱。

2.2 Cell与Block：局部统计的尺度选择

梯度图算完之后，HOG会把它划分成固定大小的单元格，也就是Cell。经典参数是 8×8 像素为一个Cell。每个Cell内部有 64 个像素，每个像素根据自己梯度方向投到 9 个方向区间中，每个区间对应 20 度范围。幅值用于投票，所以边缘越强的像素对直方图贡献越大。

投票的时候不直接只投到最近的方向区间，而是采用双线性插值。举个例子：某个像素的方向对应的角度是 25 度，它落在 20 度和 40 度两个区间的中间位置，那么它的幅值会按距离比例分给这两个区间，离哪个近，哪个分到的就多一些。这样做可以避免量化误差带来的特征突变。如果没有这步插值，同一个边缘稍微旋转一两度，就可能在直方图里从第2个bin跳到第3个bin，造成明显的噪声。

Block则是把若干个Cell组合成一个更大的统计单元，通常取 2×2 个Cell，也就是 16×16 像素。最关键的差异在于Block之间是重叠的：在一个 64×128 的检测窗口里，Block以8像素为步长滑动，所以同一个Cell会被多个Block覆盖。这种重叠设计增加了特征的冗余度，但换来了更强的鲁棒性——局部边缘即使出现轻微位移，多个Block也能有相近的描述表现。

要知道，如果不做Block级归一化，只单独统计每个Cell，那么这个Cell的直方图值就很容易受局部对比度影响。高对比度区域会让整个Cell里的幅值整体飙升，低对比度区域则整体缩水；这会直接破坏分类器对相似形状的判断。把多个Cell组合成Block再归一化，等于在一个更大范围里做对比度均衡，更具实际意义。

2.3 归一化：对抗光照变化的秘密武器

原论文对比了多种归一化方式，包括L1范数、L1平方根、L2范数，以及一个叫L2-Hys的方法。实验里表现最好的是L2-Hys，也就是先做L2范数归一化，把向量中超过0.2的分量裁剪掉，然后再做一次L2归一化。

L2范数归一化的公式很直观：对一个Block里的36维向量，计算所有分量的平方和，再开方，得到的就是这个向量的范数；然后把每个分量除以这个范数，再加一个极小的常数防止除零。这样处理后，Block特征向量的总长度会被压到单位长度附近，光照增强或减弱带来的整体幅值变化就不再直接反映到特征值上。

为什么要裁剪到0.2？因为如果不做裁剪，某个特别强的边缘方向可能占据向量太大比例，归一化后其他较弱但有判别力的方向会被压得几乎无法表达。裁剪就像是在开一个多人的讨论会时给嗓门最大的人限个音量，让他能表达观点，但不能淹没所有人的意见。做完裁剪之后还要再归一化一次，是为了让整个向量的尺度不会因为裁剪而收缩太多。

值得注意的是，HOG的归一化是在Block层面，而不是整张图层面。整图归一化对局部阴影变化无能为力，因为阴影往往只影响图像的一块区域。只有Block级归一化才能保证一个Block内部相对稳定，所以这个设计不是拍脑袋想出来的，而是通过大量对比实验验证过的选择。

2.4 特征维度的推导和取舍

以最常用的 64×128 行人检测窗口为例，我们来算一下最终特征向量到底有多少维。窗口里每 8×8 像素一个Cell，那么水平方向有 8 个Cell，垂直方向有 16 个Cell。每个Block是 2×2 个Cell，Block滑动步长是8像素，所以水平方向上Block数量是8 - 1 = 7个，垂直方向是16 - 1 = 15个。整个窗口共有7 × 15 = 105个Block。

每个Block包含4个Cell，每个Cell有9维方向直方图，所以一个Block对应36维特征。整窗口特征维度就是105 × 36 = 3780维。这个数字你会在很多工程实现里反复看到，也经常作为默认参数出现。

3780维在今天看来并不算高，但在传统机器学习时代，这个维度已经足够喂给线性分类器了。重叠Block会让一个Cell的特征被重复计算多次，看起来好像是浪费，实际上这种冗余对位置微小偏移很友好。检测窗口里的行人，手臂稍微晃动几个像素，单个Cell的输出会变化，但好几个Block的统计结果可能变化很小，整体特征依旧稳定。

不过工程上要明白，冗余也意味着内存和计算开销成倍增加。如果算力非常紧张，可以选择缩小Block重叠率，比如加大滑动步长，但代价是鲁棒性下降。这就是HOG参数调整中最重要的平衡点：空间分辨率和特征稳定性的平衡。几乎任何经典参数都不是越多越好，而是要围绕检测精度和运行速度做取舍。

3. 检测器构造与训练流程

3.1 滑窗扫描与多尺度检测

HOG特征本身不与检测窗口绑定，但要训练一个检测器，我们需要把分类器应用到整张图像上。经典做法是滑窗检测：先把原始图像不断缩小，构建一个图像金字塔，每一层图像都用固定的 64×128 检测窗口从左到右、从上到下扫描，每滑动一步提取一次特征，送进分类器判断是否有人。

为什么需要图像金字塔？因为行人在图像中的尺度变化很大。离镜头近的行人可能占据很大面积，远处的行人可能只有几十像素高。通过不同倍率的图像缩放，可以让同一个检测窗口覆盖不同物理尺度的人，实现多尺度匹配。一般金字塔缩放系数取1.05左右，也就是每层缩小5%，这个粒度能兼顾召回率和计算速度。窗口滑动步长通常取8像素，步长越小检测框越密，漏检越少，但计算量会暴涨。

这里有一个很基本的认知：HOG检测器缺乏全局上下文，它看到的只是一个固定大小的局部窗口。所以它很容易把路灯、树干这类竖直且与人腿轮廓相似的目标识别成人，尤其当背景中包含大量竖直线时。这是手工特征检测器共同的痛点，解决方式之一就是后处理非极大值抑制（NMS），把多个重叠的候选框合并成一个最终框。

NMS的直觉很简单：如果一个目标被多个相邻窗口同时检测到，那么这些窗口必然重叠很大，我们只保留得分最高的那个窗口，并且把所有与它重叠比例超过某个阈值的窗口删除。这个操作能大幅减少重复框，但不能完全解决误检。工程上真正有用的手段还是训练时的难例挖掘，这直接关系到分类器对“看起来像人但不是人”的样本的处理能力。

3.2 线性SVM分类与难例挖掘

在得到3780维HOG特征后，论文使用的分类器是线性SVM。为什么不用更复杂的核函数？因为检测时要在图像金字塔的每个位置提取特征并做分类，窗口数量非常高，核函数会显著拖慢运算。线性SVM本质上是计算一个特征向量与权重向量的点积，加上偏置，输出类别得分。在现代硬件上，这个操作可以优化得非常快。

线性SVM还有一个特别有意思的副产品：训练完成后，权重向量的大小与特征维度相同，所以可以把权重向量按HOG特征的结构重新排列，生成一张“模板图”。你会清楚地看到，分类器在数学上学习到的其实就是一个人形轮廓模板，哪些方向的特征更关键，权重就会更高。这种可解释性在深度学习分类器里很难直接获得。

训练HOG检测器时，一个极大的坑是负样本空间。负样本是指所有不包含行人的图像窗口，理论上几乎无限多：路面、墙面、栏杆、草丛都可能成为负样本。如果只随机抽取少量负样本训练，分类器永远不会接触到那些真正难分的背景。所以论文采用了一个非常关键的策略：难例挖掘，也叫自举法。

难例挖掘是一个迭代过程。先用随机负样本训练一个初版分类器，然后把该分类器放到大量负样本图上扫描，把所有被误判为人的窗口挑出来。这些窗口通常在人眼看来并不像人，但在特征层面已经非常接近正样本，所以被称为“难例”。把它们作为负样本加入训练集，重新训练分类器，再重复扫描。两三轮之后，误检率会显著下降。这个思想后来在很多现代检测器里也以“Hard Negative Mining”的形式保留了下来。

训练数据的正样本也需要仔细准备。经典的HOG行人检测通常使用包含各种姿态、光照、遮挡程度的行人图像，从更大的图像中裁剪出固定尺寸的窗口，窗口内部尽量包含完整行人，但也不必像素级对齐。对于负样本，采样时要注意覆盖各种场景，避免只选某一类简单背景，否则分类器会在实际场景中表现偏差。

4. 参数实验与工程调优心得

4.1 原论文里的关键参数结论

HOG参数看着多，其实遵循几条很明确的规律。原论文通过大量消融实验，总结出几个核心结论。我把最常被引用的实验结果整理成一个速查表，方便你复现和调参。

这些结论看起来平淡无奇，但每一项都是通过改变单个变量、保持其他变量不变得到的。比如把方向区间数从9改成15，特征维度会上升，但精度没有明显提升；反而因为维度变高，模型更容易过拟合噪声。把Cell从8×8改成4×4，空间分辨率更高，但每个Cell统计样本太少，直方图波动大；改成16×16则细节丢失太多，精度反而下降。8×8是一个经验上很均衡的选择。

工程里不要盲目改这些参数。我见过有人为了压缩特征维度把方向bin从9改成6，结果误检率明显上升。压缩特征最安全的方式不是改bin数量，而是降低Block重叠率或者缩小检测窗口尺寸。当然，这也会带来副作用，所以改之前一定要在本地验证集上测一遍。

4.2 工程中的常见配置与落地细节

实际做项目时，大部分视觉库都内置了默认的HOG提取器，常见配置基本都是：检测窗口64×128、块尺寸16×16、块步长8×8、Cell尺寸8×8、方向bin数量9。这个配置和论文里的基准基本相同，可以直接作为起点。如果你的业务目标是行人检测，先跑通这个默认配置，再根据错误类型慢慢调。

工程上最容易忽略的一个细节是“训练和预测时的特征一致性”。这里的特征一致性不只是归一化方法一致，还包括图像缩放顺序、颜色空间转换顺序、边界填充方式。比如你训练时先用的是原尺寸图提取HOG，预测时却先用双线性插值缩小图像再提取，即使算法完全一样，特征分布也会产生偏移。对于线性SVM这种强分类器，一点点分布偏移都可能放大成大量误检。

再一个要注意的是正负样本比例。行人检测中正样本数量一般远少于负样本，训练时不是把全图所有窗口都拿来训练，而是每个大图抽取固定数量的正负窗口。负样本天然数量很多，但也不要让负样本数量过分碾压正样本。在难例挖掘的每一轮中，加入的难例数量要控制，比如每轮只加入得分最高的一批难例，否则训练集会迅速被难例占据，导致分类器偏置。

内存和显存方面，如果把整张图的HOG特征都提前提取出来再滑窗分类，会比较耗内存。更稳的做法是实时滑动提取：每次只计算当前窗口的Block特征，送进分类器得到得分，再滑动到下一个窗口。因为Block之间有重叠，实时计算需要重复一些卷积运算，但对于计算力普通的嵌入式设备来说，内存占用反而更可控。

5. 踩坑记录与排查速查

5.1 典型问题速查表

做HOG行人检测的过程中，我踩过很多坑，也见过不少同学在同样的地方反复折腾。下面这张表把最典型的现象、原因和排查方向整理了出来，希望能帮新手省掉一些试错时间。

排查漏检时，我建议把分类器输出得分可视化，看是“低于阈值”还是“分类器根本不认为那有行人”。这两个问题的处理方法完全不同。前者更多是阈值和尺度的问题，后者则可能是训练正样本不够多样，或者特征质量本身有问题。

5.2 几个容易被忽略的细节

第一个容易踩的坑是方向范围混用。HOG的经典论文用的是0到180度的无符号方向，但很多做边缘检测的人习惯了0到360度的有符号方向。如果你在提取特征时用0到360，训练分类器时又用了0到180，特征维度的语义完全不同，模型几乎不可能正常工作。无论用哪种，都要确保整个特征提取管线、可视化工具和分类器输入都保持一致。

第二个细节是窗口边界填充。当一个Block滑到检测窗口边缘时，它可能需要一部分超出窗口的图像内容。标准的做法是对窗口边界做像素补齐，常用的是补0，但补0会让边缘Block包含大量不真实的梯度。更合理的做法是让Block在窗口内部可以继续滑到刚好完全包含最后一块Cell的位置，窗口边缘的Cell允许不完整或被裁剪，这在特征维度计算时要同步调整。如果你直接从开源库拿默认实现，大概率它已经处理好了，但如果你是自己手写特征提取，这个位置特别容易出bug。

第三个细节是图像缩放和灰度化的顺序。建议固定一个流程，比如“先缩放后灰度化”，并且训练和预测保持一致。原因在于彩色图像缩放时会涉及插值，灰度化后缩放则是对单通道做插值，两者产生的边缘宽度、梯度幅值会略有不同。这种微小的不一致在大量滑窗累加之后，可能直接导致性能下降。

第四个细节是正样本裁剪时的比例问题。有的同学会直接把原图里的行人抠出来拉伸到64×128，结果人体比例被拉变形。HOG统计的是局部方向分布，对轻微形变有一定容忍度，但过度拉抻会破坏行人轮廓。正确做法是在行人周围留出一定边距，然后按检测窗口的长宽比裁剪，而不是强行把人的边界贴满整个窗口。

6. 重读之后的一点个人体会

6.1 把HOG当作固定规则的手工卷积层

我最早接触HOG时，觉得它不过是一堆直方图拼接，没什么了不起。后来给模型做特征可视化，才意识到HOG的内在结构与现代卷积神经网络其实非常相似：先计算梯度，相当于第一层卷积提取边缘；再看局部方向的统计，相当于在不同方向上做特征聚合；再做Block归一化，类似卷积层的局部响应归一化。如果你把HOG的每个计算步骤当成一组固定权重的手工卷积，会很容易理解为什么CNN天然适合目标检测。

这也是为什么我建议新手不要一上来就抱着大模型跑Demo，先花几天把HOG的整个流程亲手实现一遍，效果可能不惊艳，但对特征提取、分类器训练、滑窗检测和后处理的理解会扎实很多。这批知识放到今天依然有效，因为在工程问题里，很多嵌入式设备没有充裕算力跑大型模型，轻量级特征加简单分类器可能反而是最稳的方案。

6.2 对现代检测开发的三点启发

第一，数据质量永远比模型复杂程度更重要。HOG分类器表现不好的时候，我第一反应通常不是调参，而是去看正样本是不是太单一、负样本是不是太少、难例挖掘是不是没做够。换成今天的深度学习任务，这个排查顺序也完全适用。数据集覆盖度不够，换更大网络也只是让模型继续记住错误模式。

第二，可解释性是传统特征的隐藏优势。线性SVM的权重可以可视化成人形模板，能让我直观判断分类器学的方向对不对。现在很多检测模型精度高，但出了问题很难定位。如果你在做一个对稳健性要求高的业务，保留一些传统特征作为辅助分析工具，往往比直接热力图解释更帮得上忙。

第三，算力受限时，传统特征依然有不小的存在价值。我在某个轻量级边缘检测场景里，试过用HOG加线性SVM做遮挡目标的预筛，再把候选区域交给复杂模型做精分类。在这个所谓“老旧”的组合下，预筛阶段的计算量只有完整检测的十分之一，误检也被限制在较低水平。所以我更倾向于把HOG当成一套成熟、透明的特征提取思路，而不是一个过时的冷知识。

重读这篇论文，最大的感受是：好的特征设计永远是在“表达力”和“稳定性”之间找平衡。HOG之所以能成为经典，不是因为它用了多么复杂的数学，而是因为它把对行人检测真正重要的局部轮廓信息提取了出来，并对光照、位移、背景这些干扰因素做了系统性的工程处理。这套解决思路，放到今天依然值得反复品味。