在window下运行deformable part models（包括训练和检测）

      研究dpm快一个月了，终于可以用自己的数据训练模型了，检测效果还不错，在此分享一些我的经验，我也是计算机视觉方面的一只小菜鸟，如果各位觉得有什么不对的地方请指出。欢迎和大家一起讨论计算机视觉和图像处理方面的问题。这里借鉴了几篇其他同路中人的博客：

http://blog.csdn.net/pozen/article/details/7023742

http://blog.csdn.net/dreamd1987/article/details/7396620

      可以从http://www.cs.berkeley.edu/~rbg/latent/index.html获得的源码，采用Matlab和C++编写，我下载的是voc-release4.01版本，大概是因为版权的问题源码是在 Linux and Mac OS上运行的，考虑许多人在Linux平台上运行该源码不方便，这里将源码转化到Windows平台上运行。

检测demo部分：

1.dt.cc中加入#define int32_t  int

2.features.cc和resize.cc中加入

#define bzero(a, b) memset(a, 0, b) 

int round(float a) { float tmp = a - (int)a; if( tmp >= 0.5 ) return (int)a + 1; else return (int)a; }

resize.cc中

alphainfo ofs[len]; 改成 alphainfo *ofs = new alphainfo[len];

同时，同一个域中加入delete []ofs;

3. compile.m中

源程序用的是0)用多线程，但是在Windows上跑不起来，这里用4)

经过以上步骤，就可以编译了，运行compile，但是事先要设置好matlab的编译器，我的环境是Windows操作系统、VS2010+Matlab2012b，在matlab设置编译器的命令为mex -setup，然后按照提示操作，选择vs2010编译器就行；编译完成后可以运行demo看检测效果。

 

训练pascal部分：

1. 准备正、负样本，可以使用VOC提供的样本集和工具集，下载地址为：http://pascallin.ecs.soton.ac.uk/challenges/VOC/voc2012/index.html#devkit 。

下载完成后，解压缩文件后，将VOCtrainval文件夹下的VOC2012文件夹拷贝到VOCdevkit文件夹下（我这里用的是2011年的数据）

若要自己准备正、负样本，这个就比较麻烦了，为了减少对源码的修改，我写了生成VOC数据的工具，将生成的数据放入相应的文件夹下就好。如有需要给向我要。

2. 数据准备好了，若在Window下运行训练的代码，还是要修改源码

①　在pascal_data.m中，最好加上一段代码来防止图片不存在的情况

②　pascal.m中

unix(['rm ' tmpdir cls '.dat']);变成system(['del ' tmpdir cls '.dat']);

③　rewritedat.m中

unix(['mv ' datfile ' ' oldfile]);变成movefile(datfile, oldfile);

unix(['rm ' oldfile]);变成delete(oldfile);

unix(['cp ' inffile ' ' oldfile]);变成system(['copy ' inffile ' ' oldfile]);

④　train.m中

./learn 变成 learn

⑤　procid.m中

’/’ 变成 ’\’

⑥　关于learn.cc的修改和编译执行后的结果在compileLearn文件夹下，编译方法将修改后的learn.cc添加到vs2010项目中，运行一下就行，最后就要生成的learn.exe

⑦　修改global.m配置路径

3. VOCdevkit\VOC2012\ImageSets\Main这个文件夹下放置trainval.txt  train.txt  test.txt分别放了正样本图片名、负样本图片名、测试图片名（只有名，没有后缀）

4. 最后一步就可以训练了，pascal(‘obj’,n)   obj就是你要训练的目标名， n就是目标大概有几类（如人有正面、侧面、背面，n就为3）  运行pascal(‘person’,3)就训练起来了

我用dpm做沙发检测，dpm中自带了很多训练好的模型例如person_final.mat，但沙发模型效果比较差，我又重新训练了一下，下面是结果