hog+svm 行人检测

总体思路：

1、提取正负样本hog特征

2、投入svm分类器训练，得到model

3、由model生成检测子

4、利用检测子检测负样本，得到hardexample


5、提取hardexample的hog特征并结合第一步中的特征一起投入训练，得到最终检测子。

用OpenCV使用HOG特征进行SVM算法训练的大概流程是

1）设置训练样本集

需要两组数据，一组是数据的类别，一组是数据的向量信息。

2）设置SVM参数，参考《机器模式->libSVM之参数说明》

注意必须使用线性SVM进行训练，因为HogDescriptor检测函数只支持线性检测！！！

3）使用HOGDescriptor计算hog特征

4）训练SVM

调用CvSVM：：train函数建立SVM模型，第一个参数为训练数据，第二个参数为分类结果，最后一个参数即CvSVMParams

5）用这个SVM进行分类

调用函数CvSVM：：predict实现分类，可以采用穷举的方法训练HardExample

6）获得支持向量

调用函数CvSVM：：get_support_vector_count获得支持向量的个数，CvSVM：：get_support_vector获得对应的索引编号的支持向量。

7）保存支持向量与alpha、rho

SVM训练完成后得到的XML文件里面，有一个数组，叫做support vector，还有一个数组，叫做alpha,有一个浮点数，叫做rho;

将alpha矩阵同support vector相乘，注意，alpha*supportVector,将得到一个列向量，将该向量前面乘以-1。之后，再该列向量的最后添加一个元素rho。

如此，变得到了一个分类器，利用该分类器，直接替换opencv中行人检测默认的那个分类器（cv::HOGDescriptor::setSVMDetector()），

int supportVectorNum = svm_train->get_support_vector_count();

cout<<"support vector size of SVM : " << supportVectorNum << "\n";

//支持向量矩阵

Mat sv = Mat::zeros(supportVectorNum, fet_num, CV_32FC1);

//alpha向量，长度等于支持向量个数

Mat alp = Mat::zeros(1, supportVectorNum, CV_32FC1);

//alpha向量乘以支持向量矩阵的结果

Mat re = Mat::zeros(1, fet_num, CV_32FC1);

//将支持向量的数据复制到supportVectorMat矩阵中

for(int i=0; i<supportVectorNum; i++)

{ //返回第i个支持向量的数据指针

const float * pSVData = svm_train->get_support_vector(i);

for(int j=0; j< fet_num; j++)

sv.at<float>(i,j) = pSVData[j];

}

//将alpha向量的数据复制到alphaMat中，返回SVM的决策函数中的alpha向量

double * pAlphaData = svm_train->get_alpha_vector();

for(int i=0; i<supportVectorNum; i++)

alp.at<float>(0,i) = (float)pAlphaData[i];

//计算-(alphaMat * supportVectorMat),结果放到resultMat中，注意因为svm.predict使用的是alpha*sv*another-rho，如果为负的话则认为是正样本，在HOG的检测函数中，使用rho+alpha*sv*another如果为正的话是正样本，所以需要将后者变为负数之后保存起来

re = -1 * alp * sv;

// 将乘积保存起来

ofstream ofs(hog_name.c_str(), ios::out);

if (!ofs.is_open())

cerr << "open file " << hog_name << " failed\n";

for(int i=0; i<fet_num; i++)

ofs << re.at<float>(0, i) << "\n";

float rho = svm_train->get_rho();

ofs << rho << "\n";

ofs.close();