利用HOG特征訓練分類器說明文檔-By miracled
整體框架： 樣本制作+訓練+檢測 - （vs2008 + opencv2.3.1 + libsvm(可換用svmlight需改動部分源代碼)）
1. 樣本制作：Make_Sample類
1.1功能大致如下（如需要詳細的介紹，請直接參看源碼）
Make_Sample() ： 加載摳選參數可以采用這種方式，構造實例。
Make_Sample(Size winSize,Point tl = Point(),double ratios = 1.0,int numPerPic = 1);
winsize：指定摳選區域的大小
tl：指定摳選窗口的左上頂點，如果為（-1，-1）則隨機在輸入圖像有效區域內隨機選取。
ratios：指定輸入圖像的縮放比例，如果 ＜0則隨機有效的比率。最大比率定義在make_sample.h中的MAXRATIOS中，可以自行修改。
numPerPic：指定每張輸入圖片中輸出樣本的數量，為隨機摳選選項。
int Make(string root,string type,string savePath,void (*Proccess)(Mat& ) = 0);
root：輸入圖片的路徑。
type：輸入圖片的格式。
savePath：摳選樣本保存的路徑。
void Process(Mat& image)：圖像的預處理函數，這個函數可以自行編寫你的預處理過程。
int Make(string parmFile, string savePath,void (*Proccess)(Mat& ) = 0);
parmFile：摳選參數，形如
G:/database/test/imagexx.jpg 0 0 128 64 1
G:/database/test/366.jpg 0 0 128 64 1
G:/database/test/1568.jpg 0 0 128 64 1
G:/database/test/1939.jpg 0 0 128 64 1
path （x，y） winSize ratios // 路徑 左上頂點 窗口大小 縮放比例
savePath：樣本保存路徑。
void Process（Mat& image）：自定義預處理函數。
2. 訓練
2.1 HOG特征提取(使用前請參看后面的5個注意事項)
bool initHogs(int num);
功能：初始化訓練參數
num：提取樣本的個數
void DetectPacket(Mat& img,Mat& grad_ang);
功能：計算輸入圖像img的角度和梯度，保存在grad_ang中
void calculateHogs(Mat& grad_ang,Point tl);
功能：計算一張大圖中以tl為左上頂點檢測窗口的HOG特征（為檢測和尋找困難樣本而設置）
grad_ang：梯度和角度
tl：檢測窗口的左上頂點
void calculateHogs(Mat& grad_ang,int ipic);
功能：計算樣本大小，第ipic個樣本的HOG特征（為訓練而設置）
grad_ang：梯度和角度
ipic：樣本的編號。
void saveHog(char *hpath,int label,bool iscls = false) const;
功能：保存訓練得到的hog特征
hapth：保存的全路徑
label：保存的標簽
iscls：是否清除上次保存的結果，默認不清除，使用append寫入。
Mat getHogs() const { return vfeature; }
功能：獲取訓練得到的hog特征
float *getHogs(int ipic) const
功能：獲取索引為ipic的樣本hog特征
int FeatureLength() const { return parm.len; }
功能：獲取特征的維數
int Height() const { return parm.height; }
功能：獲取檢測窗口的高度
int Width() const { return parm.width; }
功能：獲取檢測窗口的寬度
2.2使用hog特征需要注意的幾點：
1、只定義了9方向
2、只定義L2歸一化
3、需要使用請解開//#define _GAMMA_COMPRESS_的注釋
4、高斯加權模板采用的16x16的如果block大小不是（16,16）則需要改動，請參看並修改static double* getGaussMask()函數
5、提取前需要加載配置文件Hogcfg.ini
width: 128
height: 64
block: 2
cell: 8
normt: 0 //這個參數預留，需要自己添加block歸一化方法
3. 訓練分類器
3.1獲取訓練數據
void getTrainData(char *root, char *type, int label, char *matlab_data)
功能：獲取hog訓練數據。
root：當前訓練樣本位置
type：訓練樣本格式
label：訓練樣本標簽
matlab_data：訓練樣本保存名稱
注意：樣本必須同檢測窗口大小，並且具有相同的標簽，例如
getTrainData("G:/database/car_detect/pos4/",".jpg",1,"train.txt");
getTrainData("G:/database/car_detect/neg4/",".jpg",-1,"train.txt"); 保存名稱需要相同，不然需要自己黏貼 到一個文件中參與訓練。
3.2 訓練
step1：訓練一輪
訓練方法主要有兩種
第一種：
需要下載libsvm，使用其中的svm-train.exe文件
已經打包到一起了，在根目錄下找到training_bat.bat，將其中的train.txt修改成你的訓練數據名字，雙擊運行training_bat.bat就可以直接訓練一輪得到一個libsvm的model，想自己設定參數請參看svm-train-usage.txt，如何使用svm-train.exe文件。
第二種：
使用matlab訓練，不過需要修改hog特征提取中的
void saveHog(char *hpath,int label,bool iscls = false) const方法。然后將訓練數據加載到matlab里訓練就可以了。
注：這里得到的libsvm-model都比較大，如果使用的是線性的model的話，使用void changeModel(char *modelname,char *newmodelname,int fealen)方法轉化一下就可以得到一個比較小的model，
modelname：libsvm的model，
newmodelname：自定義保存model的名字，
fealen：特征的維數，使用第二種方式訓練的在matlab中轉化可以參看源碼（很簡單的）。
step2：搜索困難樣本
void findHardSample(char *modelname,char *hardroot,char *type,char *matlab_hard);
功能：利用訓練好的線性模型搜索困難樣本集，將困難樣本數據保存在matlab_hard中
modelname：一個已訓練好的線性mode
hardroot：困難樣本集路徑
type：樣本擴展名
matlab_hard：保存困難樣本的文件名
step2完成以后，挑選需要再次訓練的困難樣本與第一輪訓練的數據合並，重復step1可以得到最終的分類器。
3. 檢測
int detectCar(char *modelname,char *imfile);
功能：檢測一張圖片中是否含有目標。
modelname：分類器的路徑
imfile：圖片的路徑
注意：
1、顯示結果請打開//#define _SHOW_DETECT_RESULT_前的注釋
2、關於多框的問題請調節，一下方法，具體如何調節請參看源碼或網絡
//PostProcess(carRect,1);
PostProcess(carRect,2);
//RemoveCoveredRectangles(carRect);
使用注意事項：code供學習使用，本人測試能用於檢測，但不保證沒有任何bug。
以上文檔下載包已包含
下載地址：http://pan.baidu.com/share/link?shareid=137019&uk=3104776594