之前介绍过）；而本文的目的在于介绍利用Hog特征和SVM分类器来进行行人检测。
在
重新训练行人检测的流程：
（1）准备训练样本集合；包括正样本集和负样本集；根据机器学习的基础知识我们知道，要利用机器学习算法进行样本训练，从而得到一个性能优良的分类器，训练样本应该是无限多的，而且训练样本应该覆盖实际应用过程中可能发生的各种情况。（很多朋友，用
（2）收集到足够的训练样本之后，你需要手动裁剪样本。例如，你想用Hog+SVM来对商业步行街的监控画面中进行行人检测，那么，你就应该用收集到的训练样本集合，手动裁剪画面中的行人（可以写个简单程序，只需要鼠标框选一下，就将框选区域保存下来）。
（3）裁剪得到训练样本之后，将所有正样本放在一个文件夹中；将所有负样本放在另一个文件夹中；并将所有训练样本缩放到同样的尺寸大小。
（4）提取所有正样本的Hog特征；
（5）提取所有负样本的Hog特征；
（6）对所有正负样本赋予样本标签；例如，所有正样本标记为
（7）将正负样本的
（8）SVM训练之后，将结果保存为文本文件。
（9）线性
下面给出样本训练的参考代码：
class Mysvm: public CvSVM{public:int get_alpha_count(){return this->sv_total;}
int get_sv_dim(){return this->var_all;}
int get_sv_count(){return this->decision_func->sv_count;}
double* get_alpha(){return this->decision_func->alpha;}
float** get_sv(){return this->sv;}
float get_rho(){return this->decision_func->rho;}};
void Train(){char classifierSavePath[256] = "c:/pedestrianDetect-peopleFlow.txt";
string positivePath = "E:\\pictures\\train1\\pos\\";string negativePath = "E:\\pictures\\train1\\neg\\";
int positiveSampleCount = 4900;int negativeSampleCount = 6192;int totalSampleCount = positiveSampleCount + negativeSampleCount;
cout<<"//////////////////////////////////////////////////////////////////"<<endl;cout<<"totalSampleCount: "<<totalSampleCount<<endl;cout<<"positiveSampleCount: "<<positiveSampleCount<<endl;cout<<"negativeSampleCount: "<<negativeSampleCount<<endl;
CvMat *sampleFeaturesMat = cvCreateMat(totalSampleCount , 1764, CV_32FC1);//64*128的训练样本，该矩阵将是totalSample*3780,64*64的训练样本，该矩阵将是totalSample*1764cvSetZero(sampleFeaturesMat); CvMat *sampleLabelMat = cvCreateMat(totalSampleCount, 1, CV_32FC1);//样本标识 cvSetZero(sampleLabelMat);
cout<<"************************************************************"<<endl;cout<<"start to training positive samples…"<<endl;
char positiveImgName[256];string path;for(int i=0; i<positiveSampleCount; i++) { memset(positiveImgName, ‘\0’, 256*sizeof(char));sprintf(positiveImgName, "%d.jpg", i);int len = strlen(positiveImgName);string tempStr = positiveImgName;path = positivePath + tempStr;
cv::Mat img = cv::imread(path);if( img.data == NULL ){cout<<"positive image sample load error: "<<i<<" "<<path<<endl;system("pause");continue;}
cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);vector<float> featureVec;
hog.compute(img, featureVec, cv::Size(8,8)); int featureVecSize = featureVec.size();
for (int j=0; j<featureVecSize; j++) { CV_MAT_ELEM( *sampleFeaturesMat, float, i, j ) = featureVec[j]; } sampleLabelMat->data.fl[i] = 1;}cout<<"end of training for positive samples…"<<endl;
cout<<"*********************************************************"<<endl;cout<<"start to train negative samples…"<<endl;
char negativeImgName[256];for (int i=0; i<negativeSampleCount; i++){ memset(negativeImgName, ‘\0’, 256*sizeof(char));sprintf(negativeImgName, "%d.jpg", i);path = negativePath + negativeImgName;cv::Mat img = cv::imread(path);if(img.data == NULL){cout<<"negative image sample load error: "<<path<<endl;continue;}
cv::HOGDescriptor hog(cv::Size(64,64), cv::Size(16,16), cv::Size(8,8), cv::Size(8,8), 9);vector<float> featureVec;
hog.compute(img,featureVec,cv::Size(8,8));//计算HOG特征int featureVecSize = featureVec.size();
鱼儿爱美，不仅需要鳞甲之美。还需要浮沉活泼之美。
