吐血总结：HOG特征+SVM训练过程

纠结了快20天的东西，今天终于有了一个好的结果，利用hog+svm进行行人检测。

纠结过很多地方，不过现在终于理通了，写下总结实为发泄！

言归正传，实验所用行人库：INRIAPerson。训练过程如下：

1、选定正负样本：正样本、行人库中正样本大小为96x160，比我们需要的64x128窗口要大，是因为每一个边有一个padding，16像素，因此保持中心不动，选取64x128窗口大小的图片作为训练的正样本。负样本、负样本大小不统一，在每一个负样本图像中随机选取10个64x128大小的patch作为训练的负样本（即用来训练的负样本个数是行人库中个数的10倍，每一个负样本产生10个patch）；

2、提取hog特征(opencv完成)；

3、将提取出来的hog特征投入到svm中训练，得到初始分类器；

4、利用初始分类器(其实就是支持向量以及对应的权值，还有一个偏移)的支持向量和对应的权值加权得到检测行人的检测子，再加上一维的偏移，整个检测子是3781维。但是，重点来了，这个初始检测子，效果很差很差，不信你可以试试，有很多错检的（有点hard example的味道，什么是hard example？别急），错检太多，是因为训练还没有完成；

5、利用这个初始的检测子去检测前面用来训练的负样本原图（不是随机提取出来的图，而是原图），检测方法是利用cvhog的多尺度检测detectMultiScale方法，检测出来一打一打的行人（但实际上是负样本，所以肯定是错的），这些检测出来的区域，就是hard example；

6、提取第5步中hard example的hog特征（如果训练样本数量太多的话，可以在选出来的hard example里二次抽样，即选取部分hard example提取hog特征）；

7、将hard example的hog特征和第2步中正负样本的hog特征综合起来，再训练svm分类器，这样就得到了最终的分类器。

之前纠结过的地方：

1、负样本为何会大小不统一？因为整个负样本中是没有人的，随便在图像中选择64x128窗口大小的图像都可作为负样本进行训练，因此负样本原始图像的大小并不重要。

2、resize不能乱用。这里就迁出了为何要使用多尺度检测的问题。因为我们规定的窗口大小是64x128，太大或者太小的人都检测不到，因此我们利用尺度对图像进行缩放，在每一层中进行检测，最后在原图画矩形框，他的结果是把每一层的检测结果综合起来，可能有一层就检测不到了，resize的话没准就恰恰resize成了找不到行人或者把不是行人的判断为行人了。resize不能乱用，我最开始用resize的时候，支持向量和投入训练的数量一样多，这不坑爹么？所以不到万不得已，别用resize。

3、hard example是个什么东西？我一度以为hard example是最初训练分类的随机选出来的那些样本，可是我用分类器一检测，100%的通过率(即全部都不是行人)，这不坑爹么？然后该怎么办呢？于是慢慢试啊试，试到最后，就是第5步中的结果，不得不说，耽误时间最多的是重训练这块，尤其是在找hard example这块。