这是大多数人都非常熟悉的一步。预处理数据是任何机器学习项目中的关键步骤，即使在处理图像时也没有什么不同。
我们需要对图像进行预处理，并将宽高比降低到1:2。图像大小最好是64 x 128。这是因为我们将图像分成88和1616小块来提取特征。具有指定的大小(64 x 128)将使我们的所有计算相当简单。事实上，这正是原始论文中使用的值。
回到我们的例子，让我们将大小为64x128作为目前的标准图像大小。以下是调整后的图像:
下一步是计算图像中每个像素的梯度。梯度是x和y方向上的小变化。这里，我要从图像中取一小块，然后计算它的梯度:
我们将得到这个部分的像素值。假设我们为给定的部分生成下面的像素矩阵(这里的矩阵只是作为一个例子，这些并不是给定部分的原始像素值):
我突出显示了像素值85。现在，要确定x方向上的梯度，我们需要从右边的像素值减去左边的值。类似地，为了计算y方向的梯度，我们将从所选像素上的像素值减去下面的像素值。
因此，该像素的x和y方向的梯度为：
X方向的变化($G_x$)= 89-78 = 11
Y方向的变化($G_y$)= 68-56 = 8
这个过程将给我们两个新的矩阵，一个在x方向上存储梯度，另一个在y方向上存储梯度。这类似于使用大小为1的Sobel内核。当发生剧烈变化时(例如在边缘附近)，幅值(magnitude)会更高。
我们分别计算了x和y方向的梯度。对图像中的所有像素重复相同的过程。下一步是使用这些值找到幅值和方向。
第三步：计算幅值和方向使用我们在最后一步中计算的梯度，我们现在将确定每个像素值的大小和方向。对于这一步，我们将使用勾股定理(是的，与你在学校学习的那个相同！)。
看看下面的图片：
在之前的例子中，Gx和Gy分别是11和8。应用勾股定理计算总梯度大小:
总梯度幅值=$√[(G_x)^2 (G_y)^2]$
总梯度幅值=$√[(11)^2 (8)^2]= 13.6$
接下来，计算相同像素的方向。我们知道我们可以把角度写成tan
$$tan(Φ)= Gy/Gx$$
因此，角度的值将是：
$$Φ= atan(Gy/Gx)$$
当我们代入这些值时，角度是36°。现在，对于每个像素值，我们有总梯度(幅值)和方向。我们需要使用这些梯度和方向生成直方图。
但是请稍等——在深入研究HOG特征描述子中如何创建直方图之前，我们需要稍作休息。把这看作是整个过程中的一小步。我们将首先讨论一些简单的方法来创建直方图使用两个值，梯度和方向。
使用梯度和方向创建直方图的不同方法直方图是显示一组连续数据的频率分布的图。变量(以箱子的形式)在x轴上，频率在y轴上。这里，我们设x轴上为角度，y轴为频率。
方法1：让我们从生成直方图的最简单方法开始。我们将取每个像素值，找到像素的方向并更新频率表。
下面是高亮像素(85)的处理过程。由于该像素的角度为36°，我们将对角度值36添加一个数字，表示频率:
对所有像素值重复相同的过程，最后得到一个频率表，表示角度以及这些角度在图像中的出现情况。这个频率表可用于生成在x轴上有角度值的直方图和在y轴上有频率值的直方图。