运行iDT算法代码及后续特征编码

DT&IDT算法应该算是行为识别领域中经典中的经典了，自从13年提出以来，在HMDB-51和UCF-101等若干个数据库上得到了非常好的效果，虽然DT&IDT算法做不过深度学习，但是由于其算法的有效性，现在大部分都是以“Ours+IDT”的形式呈现在论文里，并且加上了IDT后，结果的确能得到很明显的提升。
具体IDT算法的讲解可以参考博客：行为识别笔记：improved dense trajectories算法（iDT算法）
IDT算法的代码可以在作者的主页上下载，另外作者给出的代码只包括了密集采样+轨迹跟踪+特征提取三个部分，后续的特征编码部分请点击此处下载。

---

1. 运行IDT算法代码

下载好代码后可以仔细阅读一下Readme文件，首先需要配置好Opencv和ffmpeg两个库，具体的版本请参考Readme文件。配置好后就可以在目录下直接make，编译好的可执行文件在./release/下。
可以运行他的demo视频来看一下是否编译成功：./release/DenseTrackStab ./test_sequences/person01_boxing_d1_uncomp.avi，如果编译成功的话会在屏幕上打印出一系列的数字，这些就是轨迹特征以及HOG, HOF和MBH特征。
IDT代码只是将各个特征打印了出来，如果需要改成保存到文件的话，更改第248-251行的代码即可：

PrintDesc(iTrack->hog, hogInfo, trackInfo);
PrintDesc(iTrack->hof, hofInfo, trackInfo);
PrintDesc(iTrack->mbhX, mbhInfo, trackInfo);
PrintDesc(iTrack->mbhY, mbhInfo, trackInfo);

另外，在做自己的数据库时，不可能一个视频一个视频的去输入，这时可以写一个vim脚本，来批量运行，可以参考如下代码：

#!/usr/bin/env bash

cmd="release/DenseTrackStab"
filePath="" #数据存放路径
fileType=".txt"
function readfile(){
    for file in `ls $1`
    do
        if [ -d $1"/"$file ]
        then
            readfile $1"/"$file
        else
            echo $file
            $cmd $1"/"$file
        fi
    done
}
readfile $filePath

2. 特征编码

后续的特征编码采用了dtfv代码运行，具体可以参考src/中的Readme.rst文件，大致步骤如下：

1. 下载vl_feat并编译

编译好vl_feat工具箱后，将vlfeats/bin/glnx64中的libvl.so文件拷贝到dtfv/src/vl文件夹中，如果拷贝glnx86中的libvl.so后编译时会报错

2. 编译

1. 在src文件夹中输入make进行编译：
   

2. 改变路径
   在../script/extract_fv.py文件中更改一下几个变量：dtBin、fvBin、tmpDir、pID、pcaList，具体可以参考Readme文件。
   这里贴一下我所用的变量：
   

3. 运行代码
   在../data/文件夹中运行：python extract_fv.py [videoList] [outputDir] [totalCores]。之后会在tmpDir中得到resize之后的视频文件，每个视频将在outputDir文件夹中得到五个文件，分别以[Videoname].avi.[traj|hog|hof|mbhx|mbhy].fv.txt命名。

---

遇到的bug：

error while loading shared libraries: libvl.so: cannot open shared object file: No such file or directory
【解决方法】LD_LIBRARY_PATH=$LD_LIBRARY_PATH:dtfv-master/src/vl
LD_LIBRARY_PATH=$LD_LIBRARY_PATH: dtfv-master/src/alglib
（注意，路径要输入的是绝对路径）