系統會計算影像中每個像素的影像梯度方向與強度。梯度濾鏡核心
在 x 與 y 方向上為：
梯度強度 
與方向
隨後計算方式如下：
根據其方向，計算出的梯度會被指派給特定數量的方向 Bin。對 Bin 的票選是
梯度強度的函數。正如 Dalal 與 Triggs 所發現的，將方向分割為 9 個 Bin，範圍涵蓋
在使用 HOG 特徵時，可為人體偵測方法帶來最佳結果
[Dal05]. 在 VA 範例設計「HOG_9Bins_HistogramMax.vad」和「HOG_9Bins_Histogram.vad」中，我們已實作此類分桶處理。
此外，在範例「HOG_4Bins_HistogramMax.vad」中，我們將資料分為 4 個桶，範圍為
。特定方向
對 Bin 的指派或加權
（具有方向
）是透過內插法完成：
此處 
是 Bin 之間的角度步長大小。
方向梯度直方圖的單一 Bin 欄 
（每個對應 8x8 像素的區域）隨後計算方式如下：
每個 8x8 像素儲存格的直方圖隨後會被群組為 2x2 儲存格大小的區塊，以涵蓋亮度或對比度的局部變異。這些區塊具有
的重疊。
為了物件辨識目的而使用 HOG 描述子時，區塊正規化（演算法請參閱
[Dal05]）會將效能提升 
.
當前的設計範例中省略了區塊歸一化。在「HOG_4Bins_HistogramMax.vad」 和 「HOG_9Bins_HistogramMax.vad」這兩項設計中，
最大直方圖方向資訊
傳送至 DMA；而在「HOG_9Bins_HistogramMax.vad」中，則將完整的方向梯度直方圖傳送至 PC。
以下介紹的設計可輕鬆調整以符合使用者的特定需求。也就是說，方向分桶的數量
與步長，或是根據 [
進行區塊歸一化 [Dal05] 的區塊正規化也可以額外實作。
上一頁
