Why So Serious?

1、HOG特征：       方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dal

我们研究了视觉目标检测的特征集问题，并用线性SVM方法进行人体检测来测试，通过与当前的基于边缘和梯度的描述子进行实验对比，得出方向梯度直方图(Histograms of Oriented Gradient,HOG)描述子在行人检测方面表现更加突出。我们研究了计算过程中每一阶段的影响，得出小尺度梯度(fine-scale gradients)、精细方向采样(fine orientation binning)、粗糙空域抽样(coarse spatial binning)以及重叠描述子块的局部对比度归一化(loc

进行行人检测的分类器训练时，负样本是从完全不包含人体的图片中随机剪裁出来的，下面程序的目的就是这个

PASCAL VOC目标检测数据集(The PASCAL Visual Object Classes)所以如果想用这个数据集做某种目标识别的训练集的话，需要先从中裁出需要的目标。下面这个程序就是这个目的，其中用到了TinyXML这个简单易用的XML解析器

OpenCV读入图片序列进行HOG行人检测并保存为视频

利用OpenCV中默认的SVM参数进行HOG行人检测，默认参数是根据Dalal的方法训练的。

难例(Hard Example)就是分错类的负样本，将难例加入负样本集合进行二次训练就是告诉分类器：“这些是你上次分错类的，要吸取教训，改正错误”

正样本来源是INRIA数据集中的96*160大小的人体图片，使用时上下左右都去掉16个像素，截取中间的64*128大小的人体。负样本是从不包含人体的图片中随机裁取的，大小同样是64*128。SVM使用的是OpenCV自带的CvSVM类。首先计算正负样本图像的HOG描述子，组成一个特征向量矩阵，对应的要有一个指定每个特征向量的类别的类标向量，输入SVM中进行训练。训练好的SVM分类器保存为XML文件，然后根据其中的支持向量和参数生成OpenCV中的HOG描述子可用的检测子参数，再调用OpenCV中的多