（1）梯度计算

　　由于本算法是对边界信息的统计，即对目标梯度图像分布的描述，所以首先利用一维模板[-1，0，1]及其转置对原图像进行梯度化以得到图像边缘信息。

　　（2）构建方向直方图

　　从已有的梯度图像中分割出一个区域块为处理对象；此区域块可以遍历整个图像以搜索图像中的头肩区域。每个区域块可以划分为三种大小不同等级的小单元格，区域块可以划分为2x2的一级矩形小单元格，一级小单元格又可以划分为2X2的M级矩形小单元格，依次类推，共分为三个等级。

　　（3）区域块归一化

　　为了提高精确度，还可以把这些局部直方图在图像的区域块中进行对比度归一化，此方法通过先计算各直方图在这个区域块中的密度，然后根据这个密度值对区域块中的各个方格单元做归一化，通过这个归一化后，能对光照变化和阴影获得更好的稳定性。

　　（4）合成特征向量

　　由于选定区域块为处理对象，所以以区域块为单位形成特征向量，其组合方式把区域块中三个等级的小单元格形成的直方图按次序排列成特征向量，就构成了直方图描述子。这些区域块互有重叠，每一个细胞单元的输出都多次作用于最终的描述子，并且以不同的值出现在最终的特征向量中，大大地改善了分类结果。

　　（5）支持向量机（SVM）分类器

　　首先，将样本的HOG特征向量输入到SVM中；利用正负训练集对SVM进行训练，寻找一个最优超平面作为决策函数，进而得到SVM分类器，最后再利用训练得到的SVM对输出图像进行分类以得到头肩区域和非头肩区域。

　　五、结语

　　综上所述，基于个体的算法与基于人群的算法相比较精确度较高，更适合自助银行场景中对人数的精确度要求。鉴于HOG算法并不依赖于颜色