今天要整理记录的内容是关于HOG特征检测和SVM线性分类器在OpenCV中的联合使用，并实现OpenCV自带的一个演示案例——行人检测。
- 图像的HOG特征
那么先来了解一下什么是图像的HOG特征，HOG(Histogram of Oriented Gradient——面向梯度直方图)特征的大致计算方式如下：
1、对图像使用默认Size（64，128） 的窗口win进行开窗，在该窗口中选择默认的Size（16，16）的块区域block。
2、在块区域block中划分出默认的Size（8，8）大小的四个区域cell。
3、对每个区域cell都去构建一个将0°~360°分为9个区间bin的面向梯度直方图，该直方图中每个区间范围为40°，区间值为属于该区间的像素数量。
再对区域cell中的每个像素点计算梯度，并按照梯度方向（化为角度）将每个像素点放入该像素点所属区域cell的面向梯度直方图中的相应区间bin内。
4、统计每个区域cell的面向梯度直方图的九个区间值并作归一化处理，将处理后的九个区间值组合起来就得到了该区域cell的HOG特征。
接着遍历每个区域cell来得到每个区域cell的HOG特征，然后再组合起来得到这四个cell所属的块区域block的HOG特征。
5、遍历每个块区域block来得到每个块区域block的HOG特征，然后再组合起来就得到每个窗口win的HOG特征。
6、通过窗口win来对整幅图像进行开窗，遍历图像从而得到完整图像的HOG特征。
图像的HOG特征具有比较好的几何不变性和光照不变性，所以只要行人基本保持直立的姿态，就能忽视其肢体上的一些微小运动，从而实现对行人特征的检测。
- SVM线性分类器
SVM线性分类器是属于机器学习中的内容，这里引用百度百科上的一个介绍：
支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane） [1-3] 。
SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器 [2] 。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一 [4] 。
SVM被提出于1964年，在二十世纪90年代后得到快速发展并衍生出一系列改进和扩展算法，在人像识别、文本分类等模式识别（pattern recognition）问题中有得到应用 [5-6] 。
说白了，SVM（Support Vector Machine）支持向量机是一种寻求最大分类间隔的机器学习方法，SVM就是寻找一个分离数据正确且抗噪声强的稳健超平面（分类面），也即在不同类数据之间定位一个能够分离出不同类别数据的平面。
本人才疏学浅，这里就不对机器学习的内容进行深入研究了，下面来看看在OpenCV中怎么把HOG特征和SVM线性分类器相结合并实现行人检测。
其实，HOG+SVM进行行人检测已经是相当成熟的算法了，而在OpenCV中更是已经集成了这种检测算法。
所以我们只需要创建HOG特征检测器就可以加载OpenCV自带的行人检测模型了，再对图像进行多尺度的HOG特征检测，就能够实现一个简单的行人检测了。
其中，对图像进行多尺度的HOG特征检测的API是detectMultiScale()，其参数含义如下：
（1）参数Img：表示输入图像；
（2）参数foundLocations：表示包含检测对象的矩形框；
（3）参数hitThreshold：表示SVM距离度量，默认用0表示，表示特征与SVM分类超平面之间距离的阈值；
（4）参数winStride：表示进行开窗时的窗口步长；
（5）参数padding：表示块区域block的大小；
（6）参数scale：表示尺度空间的缩放系数；
（7）参数finalThreshold：最终阈值，默认为2.0；
（8）参数useMeanshiftGrouping：表示是否使用分组算法；默认为false，不建议使用，速度太慢。
对于detectMultiScale()这个API来说，其参数窗口步长winStride与缩放系数Scale对检测结果影响最大。特别是缩放系数Scale，小的尺度变化有利于检出低分辨率对象，同时也会导致目标误检的情况发生，而大的尺度变化可以避免误检但是可能会导致对象漏检的情况发生。
下面看一下代码演示：
//利用OpenCV自带的 HOG+SVM 行人检测模型，实现行人检测
Mat tem = imread("D:\\opencv_c++\\opencv_tutorial\\data\\images\\pedestrian.png");
HOGDescriptor *hog = new HOGDescriptor; //创建HOG检测器
hog->setSVMDetector(hog->getDefaultPeopleDetector()); //设置SVM线性分类器，使用自带行人检测模型
vector<Rect>objects; //包含检测目标的矩形框
hog->detectMultiScale(tem, objects, 0.0, Size(4, 4), Size(8, 8), 1.25, 2.0, false); //进行多尺度的HOG特征检测
//参数Img：表示输入图像
//参数foundLocations：表示包含检测对象的矩形框
//参数hitThreshold：表示SVM距离度量，默认用0表示，表示特征与SVM分类超平面之间的距离
// 参数winStride：表示窗口步长
//参数padding：表示填充
// 参数scale：表示尺度空间的缩放系数
// 参数finalThreshold：最终阈值，默认为2.0
// 参数useMeanshiftGrouping：是否使用分组算法；默认为false，不建议使用，速度太慢。
//窗口步长winStride与缩放系数Scale对结果影响最大，特别是Scale；
//小的尺度变化有利于检出低分辨率对象，同时也会导致目标误检情况发生，大的尺度变化可以避免误检但是可能会导致对象漏检。
for (int i = 0; i < objects.size(); i++)
{
rectangle(tem, objects[i], Scalar(0, 255, 0), 1, 8, 0);
}
imshow("tem", tem);
通过上述代码，就可以实现简单的行人检测了，下面是效果图：
从上述图像可以看出，使用OpenCV自带的HOG+SVM行人检测模型能够将图像中的行人检测出来并用矩形框标记，而且在简单的图像中还能有比较好的效果。但是，一旦图像中的场景变得复杂了，这种OpenCV自带的行人检测模型就显得效果比较差了，出现了不少误检和漏检的问题，虽然可能通过参数调节能够改善检测效果，但不可否认的是这种行人检测算法的鲁棒性是比较差的。
但它给我们提供了进行目标检测的思路，那就是如果我们想要进行自定义目标的检测，就可以自己制作数据集，然后训练我们自己的SVM分类器，从而实现特定目标的检测。下一次笔记就来实现通过训练SVM分类器来进行自定义目标检测，那今天的笔记就到此结束啦。
PS：本人的注释比较杂，既有自己的心得体会也有网上查阅资料时摘抄下的知识内容，所以如有雷同，纯属我向前辈学习的致敬，如果有前辈觉得我的笔记内容侵犯了您的知识产权，请和我联系，我会将涉及到的博文内容删除，谢谢！
