利用opencv的hog+svm实现细胞识别分类器
图像处理中的细胞识别和人脸识别可以这样来类比，图像中的一张张人脸就是一个个细胞。
模式识别的关键在于样本库的选取，识别率也只能在和样本库比较接近的环境下才能保证。主要工作是三部分一是特征提取，二是样本库的训练train，三是目标检测detect。
一．特征提取
特征提取采用的是HOG特征即HOG描述子，该特征在行人检测中效果非常好。而一般人脸识别采用的是haar特征，，这在opencv中都有实现，并都给出了相应的分类器，效果都很不错。
首先采集了正样本6000多份，然后负样本90000多份，正样本就是手动从图像中把细胞截图保存下来，为了工作方便一般先大概截个正方形就好了，然后对得到的正样本依次做三次顺时针旋转，目的是为了满足旋转不变性。之后写个程序将这些正样本的尺寸统一缩放到64*64，这个尺寸决定了最终svm算法中的特征维数。负样本就是非细胞的图像，可以用程序截图得到，不需要人工了，最终也将尺寸统一缩放到64*64即可。
二．训练样本
利用HOGDescriptor.compute计算所有的样本特征值，存入svm算法中训练用的特征矩阵train_mat中，同时将每个样本的类别保存到标签向量label_mat中，正样本的标签为1，负样本为0；然后用svm.train函数训练得到分类器文件svm_data.xml。
三．目标检测
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中的多尺度检测函数进行细胞检测。
检测子参数的计算过程就是svm算法中从一开始得到的阿尔法系数转变得到w系数的过程。
———————————————————————————————————————
难例(Hard Example)是指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。
而它的种子，就是它生命的延续，继续承受风，
