針對影像中的每個像素，皆會計算其梯度方向與幅度。梯度濾波器核
在 x 方向和 y 方向上的值分別為：
梯度大小 
以及導覽
接著計算如下：
根據其方向，計算出的梯度隨後會被分配至特定數量的方向區間中。
該區間的投票值是
梯度幅值的函數。正如 Dalal 和 Triggs 所發現的，將方向劃分為 9 個區間，範圍為
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
. 任務或權重
具有某種取向的
放入一個箱子中（方向為
) 是透過
插值來實現的：
這裡 
是各區間之間的角度步長。
單一區間欄 
接著，計算「定向梯度直方圖」（每個均對應 8x8 像素的區域）如下：
接著，將每個 8x8 像素單元的直方圖分組為 2x2 單元大小的區塊，以涵蓋亮度
或對比度的局部變化。這些區塊之間具有
.
為進行物件辨識而使用 HOG 描述子時，需進行區塊正規化（演算法詳見
[Dal05]) 將效能提升了 
.
當前的設計範例中省略了區塊正規化。在「HOG_4Bins_HistogramMax.vad」 和 「HOG_9Bins_HistogramMax.vad」這兩項設計中，
最大直方圖方向
傳送至 DMA；而在「HOG_9Bins_Histogram.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殊需求。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] 亦可額外實作。
上一頁
