1. Origin
原始目标检测： HOG梯度模型+目标匹配
为了提过对目标形变的鲁棒性（多视角->多组件）：
目标形态多样性—>多个模型
目标的动态变化多视角—> 子模型
目标形变—> 图结构的组件模型策略
DPM目标检测：
HOG特征提取+SVM分类器+滑动窗
2. 改进的HOG特征
1） 原始HOG特征（histogram of gradient）->局部物体外形能被光强梯度或边缘方向的分布所描述，一幅图被分为小的连接区域（cells）
对图像局部出现的方向梯度进行计数，与边缘方向直方图，scale-invariant feature transform 类似， 不同点HOG基于一致空间密度矩 阵来提高准确率。
局部直方图通过计算图像中的一个较大的区域（block）的光强作为对比标准化，然后归一化block中的所有cells。（光照，映射不变形）
计算流程：
灰度化->分为cells->计算每个cell中pixels的gradient->统计cell的梯度直方图，每个cell的描述子
没有旋转，尺度不变形，计算量小；
解决尺度变换： 图像进行尺度房宿
解决旋转变换：建立不同方向的模板
2）改进HOG
3. DPM检测
采用滑动窗检测，通过构建尺度金字塔在各个尺度搜索（解决尺度变换问题）
对于旋转问题：建立多个模板？
基本结构：
