----------【2018.01.22更新】----降维算法-----
看了一篇文章介绍t-SNE降维算法的，文章中给出的数据效果比PCA好点，大家可以尝试看看。
--------【2017.12.22更新】----流程说明------
总结一下我用着最好的方法流程吧。
1. 先HoG提取特征features。
2. PCA对features降维，然后用PSO优化参数C和gamma。降维的目的是加快PSO运行速度，否则太慢，但分类效果降低。
3. 用第一步拿到的features和第二步拿到的参数训练一个初始SVM模型。
4. Hard Negative Mining优化SVM模型。
5. 进行滑窗detection，最后NMS边框回归。
目前2700正样本，2700负样本。测试集1200负样本，700正样本。
----------------------------------------------------------最新代码Github地址： https://github.com/HandsomeHans/SVM-classification-localization
最近在研究传统方法的物体分类，使用的方法是Hog + SVM，不过分类正确率不是很高。我写一写心得体会。
首先声明我不会具体将原理。因为网上信息太多了，大家自己先看看大致了解了再看这篇文章。
ImageNet上所有杯子数据集：https://pan.baidu.com/s/18ho4UI50x4YP6lkrjPm7Kw
一、HoG特征数计算
先说一下两个参数：
1. pixels of a cell
2. cells of a block
HoG是对图片进行滑框提取特征的，block就是这个框。block里有cell，在cell中进行特征提取。将bolck中所有cell 的特征整合在一起，就是这个block的特征。再将所有block的特征整合一起就是整张图片的特征了。
HoG在cell中提取特征的时候可以理解成是按角度来的，一般分9组，一组有40度，9组一共360度。每一组就代表一个特征值。那么我们就可以计算整张图的特征数了。
对于一张 300 × 600 的图片，我定义每个cell里像素是 15 × 15， 每个block里有2 × 2个cell， 图片一共有 10 × 20 个block
一个cell： 9 个特征
一个block： 4 × 9 = 36 个特征
图片一共有： 10 × 20 × 36 = 3600 个特征
二、说明
如果不对图片进行处理而直接丢如HoG的话，背景等因素会对最后提取的特征造成很大的不好影响。所以我提供的提取特征值的代码中包含两部分，一部分是根据xml文件中bbox信息切割出物体进行特征提取。另一部分是直接对整图进行特征提取。因为最后的特征值数量和输入图片大小有关，所以要对切割后的图片和整图统一resize到固定大小。更多细节看代码中注释。
路径说明：
./train/positive # 存放需要切图的带分类物体的训练集 ./test/positive # 存放带分类物体的测试集 ./train/positive_rest # 存放不需要切图的带分类物体的训练集 ./train/negative # 存放不带分类物体的训练集 ./test/negative # 存放不带分类物体的测试集
后记
我是从ILSVRC拿的图片，训练集8000多张，正样本和负样本一种一半。测试集2000多张图片，正负样本各一半。后续我又做了PCA，对正确率没什么影响，会增加模型的鲁棒性。下一篇我文章我放出加上PCA的代码。做PCA主要是后来我选择PSO求解最优化SVM参数C和gamma需要把特征降维，否则计算量太大。