【OpenCV】基于HOG与SVM的行人检测学习

最近听了关于HOG与SVM的报告，比较深刻的学习了算法原理与实现方式。这里根据一些资料作下总结，方便日后拾起：

A.方向梯度直方图（HOG,Histogram of Gradient）

将图像依次划分为检测窗口（window）、块（block）、胞元（cell）3个层次

大体流程：

逐像素计算方向梯度；

对cell中的像素根据梯度划分区间，给出统计直方图；

对于每个block中重叠的cell进行对比度归一化；

把所有直方图向量组成HOG特征向量。

HOG特征向量:

OpenCV对于HOG描述子（即特征向量）维度的计算：
size_t HOGDescriptor::getDescriptorSize() const
{
    CV_Assert(blockSize.width % cellSize.width == 0 &&
        blockSize.height % cellSize.height == 0);
    CV_Assert((winSize.width - blockSize.width) % blockStride.width == 0 &&
        (winSize.height - blockSize.height) % blockStride.height == 0 );
    return (size_t)nbins*
        (blockSize.width/cellSize.width)*
        (blockSize.height/cellSize.height)*
        ((winSize.width - blockSize.width)/blockStride.width + 1)*
        ((winSize.height - blockSize.height)/blockStride.height + 1);
}
如以下HOG检测器：检测窗口(64,128)，块尺寸(16,16)，块步长(8,8)，cell尺寸(8,8)，直方图bin个数9
HOGDescriptor hog(Size(64,128),Size(16,16),Size(8,8),Size(8,8),9);//HOG检测器，用来计算HOG描述子的
其特征向量维度即：

B.支持向量机SVM(Support Vector Machine）

它是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。

大体可以理解为：利用正负样本（特征）学习，确定分割两种训练样本的最佳超平面，从而用于新对象的分类、识别。这里便是提取正负样本的HOG特征进行训练，然后同样根据待分类对象的HOG特征进行归类或识别。

C.具体资料

支持向量机(SVM)介绍与实现： http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html

方向梯度直方图（HOG）学习笔记： http://blog.sina.com.cn/s/blog_60e6e3d50101bkpn.html

训练SVM分类器进行HOG行人检测（实例）： http://blog.csdn.net/pb09013037/article/details/41256945

OpenCV HOGDescriptor 参数图解： http://blog.csdn.net/raodotcong/article/details/6239431