可变形部件模型（Deformable Parts Model，DPM）是一个非常成功的目标检测算法，连续获得视觉目标分类（Visual Object Class，VOC）2007、2008、2009年的检测冠军。目前已成为众多分类器、分割、人体姿态和行为分类的重要部分。2010年Pedro Felzenszwalb被VOC授予“终身成就奖”。DPM可以看做是梯度方向直方图（Histograms of Oriented Gradients，HOG）的扩展，大体思路与HOG一致。先计算梯度方向直方图，然后用SVM训练得到物体的梯度模型。有了这样的模板就可以直接用来分类了，简单理解就是模型和目标匹配。DPM只是在模型上做了很多改进工作。
1）HOG特征
第一步，计算梯度。
用最简单的（－1，0，1）模板计算每个像素水平方向的梯度和竖直方向的梯度，再计算梯度的值和角度。如果是彩色图，选取梯度幅值最大的那个通道的梯度。
第二步，计算梯度直方图。
第三步，归一化得到HOG描述子。
定义2×2的细胞单元（cell）为一个块（block），并且组成block的cell可以重叠。那么每个cell被4个block共享。对于每个block，顺次连接4个cell的直方图，进行归一化，归一化后，大于0.2的数全部截断成0.2。对于每个cell，顺次拼接覆盖这个cell的4个block中这个cell的归一化直方图，得到36维向量，作为这个cell的HOG描述子。每个block的4个直方图顺次连接，对得到的向量归一化和截断后，选出属于坐标为（x，y）的cell的那部分直方图，拼接起来，得到这个cell的HOG描述子HOG（x，y）。(www.xing528.com)
2）HOG特征金字塔
给定一个原始图片的尺度，对图片进行缩小，对一系列图片计算HOG描述子，得到HOG特征金字塔。
3）DPM
令F表示一个尺寸为ω×h的滤波器。令H表示一个HOG特征金字塔，p＝（x，y，l）表示金字塔第l层坐标为（x，y）的位置。令φ（H，p，ω，h）表示H中第l层左上角坐标为（x，y），尺寸为ω×h的矩形区域中的HOG描述子。那么位置p的score等于Fφ（H，p，ω，h）。因为F已经指定了矩形区域的大小，所以score的表达式可以简化成Fφ（H，p，ω，h）。
一个有n个部分的物体模型可以表示成M＝（F0，P1，P2，…，Pn，b）。其中F0是根滤波器，Pi是第i部分的模型。Pi＝（Fi，vi，di）由三部分组成，只是第i部分的滤波器，它的分辨率是根滤波器的2倍，vi＝（vi，x，vi，y）表示Fi相对于F0的偏移量，以F0的左上角作为原点，坐标取F0分辨率的2倍，那么vi就是Fi的左上角在这个坐标系下的坐标，di＝（di，x，di，y，di，x2，di，y2）表示形变系数。
根模型的尺寸是4×11，部分模型的分辨率是根模型的2倍。所以根模型映射到部分模型后尺寸是8×22。部分模型共有5个，它们的尺寸和偏移量分别为：
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
