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特征并结合第一步的特征一起训练，得到最终检测子

hog：方向梯度直方图

hardexample

通俗的讲，支持向量机是在正负样本之间找出一个超平面，用以分类。在决定这个超平面时，这些样本点发挥的作用（或者说权重）并不一样大，有一些样本点起了关键作用，这就是“支持向量”，那其他的样本点就算是普通向量吧。hardexample是假正，也就是负样本被判定成了正例，也就是说在首次训练中它们没有发挥支持向量的作用，仅作为“正例”的普通样本对待了。这些样本点靠近首次SVM分类产生的超平面，它们容易被分错。从hardexample提取特征并再次训练，明确了hardexample的支持向量的作用，这将导致超平面的偏移，在后续的分类中纠正部分假正的错误。

（利用第一次训练的分类器在负样本原图(肯定没有人体)上进行行人检测时所有检测到的矩形框，这些矩形框区域很明显都是误报，把这些误报的矩形框保存为图片，加入到初始的负样本集合中，重新进行SVM的训练，可显著减少误报。）