這幾個月一直在忙着做大論文，一個基於 SVM 的新的目標檢測算法。為了做性能對比，我必須訓練一個經典的 Dalal05 提出的行人檢測器，我原以為這個任務很簡單，但是我錯了。
為了訓練出一個性能達標的行人檢測器，我花了半個月的時間，中間遇到各種 BUG 我就不提了，下面只說正確的步驟。（基於 MATLAB 環境，但是沒有代碼，請您自己寫~）
步驟
1. 訓練數據集及其它准備工作
訓練檢測器的正例（Positive examples）數據庫最好采用“全圖+標注”的形式，不要是那種切出來的行人小圖片，這有助於后續的 bootstrap 操作（當然，在 Daimler 這樣的數據庫上似乎無法做到），初始的負例（Negative examples）采用一組不包含行人的場景圖片。其實負例的選擇並不重要，因為在 bootstrap 環節，真正影響性能的，靠近分類超平面的數據點會被自動找到。
大多數靠譜的數據庫都有自帶的標注讀取工具庫，或者遵循某種標注格式（例如 PASCAL），你也可以使用進一步封裝的標注讀取工具，例如 Dollar 的 toolbox。
為了計算 HOG 特征，你可以采用 VLFeat 的 HOG 計算函數，這個 HOG 是我見過的檢測性能最好的之一（比 OpenCV 的 HOG 好很多，性能提高超過 5%）。
2. 訓練
訓練必須進行兩輪：初始訓練，以及 bootstrap 訓練。下面的所說的“切圖”操作，就是從某個位置切一個 128 * 64 的子圖片的意思，當然，你也可以采用其他的切圖尺寸。下面，談一個很重要的問題，就是標注（ground truth）尺寸的歸一化，以及標注的外邊距（padding）對訓練結果的影響。
由於數據庫中的行人標注，並不是依照某種固定的長寬比，而 Dalal 檢測器的輸出是固定長寬比的，所以，在切圖之前，必須將標注框（bounding box）的尺寸調整到統一比例。你也許會試圖不調整標注框，而是按照原始標注框切出圖片，然后再將圖片縮放到 128 * 64，但是這樣是不對的！檢測結果會打折扣。
此外，Dalal 論文里還指出，如果將行人周圍的一圈背景也包含到訓練子圖片里，那么檢測器效果又會提升幾個百分點，並且論文指出上下左右個加 16 像素的外邊距（padding）效果最好，我做了一下實驗，確實如此。
調整標注框可以采用 Dollar 工具箱里的 bbApply 函數。下面是我采用的標注框預處理策略：
- 計算不包含 padding 時的行人長寬比 r，即（128 - 32）:（64 - 32）
- 使用 bbApply 將標注框的長寬比調整到 r
- 再使用 bbApply 將標注框的高度和寬度分別放大 128 / (128 - 32)，以及 64 / (64 - 32) 倍。
經過上述步驟，所有標注框的比例都一致了，並且包含了 padding。
2.1 初始訓練
正例直接從訓練集中切出來，負例隨機從場景圖片中切取，假設我需要 9000 個負例，數據集中有 1000 個場景圖片，那么平均每幅圖片隨機切九個即可。切負例時沒必要考慮尺度，因為初始負例對整體訓練而言沒有顯著影響，所以隨便切即可，任性。
對切出來的數據提取特征，然后丟到 liblinear 里訓練一個 SVM，參數：
-B 1 -c 0.01
其中-B 1是為了讓 SVM 具有 bias term（就是 wx+b 中的那個 b），-c 0.01 是 Dalal 論文里的 C 參數（你可以試着調一下，不過我試了一下，的確 0.01 最好）。
於是，我們得到了一個初始的檢測器。SVM 的支撐矢量個數大概在 1000 ~ 3000 個不等。
2.2 Bootstrap 訓練
初始檢測器是一個非常非常差的檢測器，所以千萬不要試圖一次訓練后就直接拿來用。我們需要新一輪 bootstrap 訓練。
所謂 Bootstrap 訓練，就是用初始檢測器在訓練數據集中進行檢測，搜集所有的誤檢，將它們作為額外的新的負例加入先前的負例集合，然后再次訓練一個 SVM。所謂誤檢，就是一個與所有標注位置重合都小於 50% 的檢測結果，這個“重合”可以用 area(B1 & B2) / area(B1 | B2) 來計算，其中 B1 和 B2 都是矩形框，“與”運算符是矩形框的交疊，“或”運算符是兩個矩形框覆蓋的區域相加。
一般來說，初始檢測器在訓練集上能找到大量誤檢，例如，我在 INRIA 上訓練時就有 2 萬個誤檢，這是正常的（所以你一定要把電腦的虛擬內存調大，否則 MATLAB 會掛），bootstrap 訓練后，得到的新的 SVM 的支撐矢量個數將達到 6000 個以上，這從一個側面說明了，該輪訓練找到的負例重新約束了分類超平面的位置。
3. 檢測
前面我提到，訓練時需要將標注框擴大，但是，擴大的標注框，將使檢測結果也被擴大，這時，你需要按照與擴大框的步驟相反的方式，將檢測結果框縮小。而且，為了使圖片邊緣的行人不被漏掉，你可以將輸入圖片的四周都加上 padding 后再進行檢測。
4. 性能
按照這種策略訓練出來的檢測器，在 INRIA 上達到了 Precision：50%，Recall：71% 的性能，超過了 OpenCV 自帶的 HOG Detector（其實沒有可比性，因為我用了更好的 HOG 特征），如果您有更好的方案，請告訴我，謝謝。