opencv 学习笔记-入门（30）hog+svm 的实现

 一.想要做行人检测，必须要看的一篇论文《Histograms of Oriented Gradients for Human Detection》为Dalal和Bill Triggs的经典之作。

主要实现的流程为

                                   

（1）首先提取图片进行图片的 gamma compression 这样是图片的表面得到变换，其中可采用square root 进行gamma compression, 改变每个通道的颜色情况。

（2）梯度计算，并没有进行高斯平滑，因为高斯平滑会减弱特征的情况，并且提出了几种计算梯度的方式，采用的是[-1 0 1]，单维的x,y分别进行了相应的卷积，最后利用梯度公式分别求出了每个颜色通道的梯度，最后选择最大的那个颜色通道的梯度值作为这个图像的梯度值。

（3）方向的计算，可以分为signed（360度）和unsigned（180度），在这里计算角度的时候运用了三线插值，就是每个坐标点所在的cell,对周围的cell进行方向的分享opencv 学习笔记-入门（21）之三线性插值-hog(二)，这里我们用高斯核产生的权重来判断分享的方向权重，并且 

opencv 学习笔记-入门（22）之快速hog的减少取样实现-论文笔记，和 

opencv 学习笔记-入门（23）hog的快速积分图像-论文笔记 提出了两种加快的方法。

（4）标准化所分配的方向之和，因为每个cell有9个（unsigned）方向，所以一个block就有36个方向，归一化运用范数的标准，我们采用的是二范数法。

（5）将每个window 64X128 内的所有的block采用cell重叠方法进行提取每个window的特征提取，这样每个窗口就有3780个特征。

（6）将所提取正样本的特征和负样本的特征分别存储到文件中，运用线性svm进行训练，并且利用训练数据进行检测。这样就得到了所要的结果。

二.我采用是第一个快速hog实现的，其中将正负样本都存到了一个动态分配的数组中，并且用1标签正样本，0标签负样本，之后用的opencv中的svm进行的训练，训练过程参照http://opencv.jp/sample/svm.html，讲的很详细，后序我将代码封装下传到网上，并且会尝试其他的加速方法，并且研究行为识别。另外svm学习力推：http://www.blogjava.net/zhenandaci/archive/2009/02/14/254630.html