hog+svm 行人检测
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();