用MATLAB实现基于HOG特征和SVM线性分类器的滑动窗口人脸识别

（0）源代码

见GitHub

（1）引入数据集

训练集：利用Caltech Web Faces project做正类，Sun Scene database 做负类（主要是场景图片），将他们都裁减成大小一致。

测试集：CMU+MIT test scenes作测试集

定义变量：
train_path_pos ：正类路径，大小为36x36
non_face_scn_path ：负类路径
test_scn_path：测试集路径
label_path：标签集，是txt文本

（2）分别提取正负类训练集的 Hog 特征

1. 定义两个参数：template_size=36, hog_cell_size=3

注意：template size should be evenly divisible by hog_cell_size，因为把图片reshape到template_size大小，将图片分成多个cell，每个cell的边长是hog_cell_size，在每个cell里面统计一个梯度直方图，之后串联起来再归一化，得到的就是整个图片的hog描述符，所以需要divisible

2. 获取正样本的特征
   调用get_positive_features函数，传入template_size=36，hog_cell_size=3，正类样本的路径，得到特征features_pos（一个N * D的矩阵，N是脸的数量，D是template的维度，也等于(template_size / hog_cell_size)^2 * 31，这个N*D是for循环里面，reshape再连接最后成这样的）

   get_positive_features函数：
   对于每个正类的image，调用vl_hog提取hog特征：

   HOG = vl_hog(single(image), feature_params.hog_cell_size)
   

   每个imge的HOG连接成为features_pos

3. 获取负样本的特征：
   调用get_random_negative_features函数，传入负类路径, template_size=36，hog_cell_size=3, num_negative_examples，得到features_neg（和上面正类的特征一样也是N*D的矩阵）

   get_random_negative_features函数：
   也是对每个image调用HOG = vl_hog
   每个image的HOG连接成features_neg

（3）将提取得到的训练集 Hog 特征用于训练 SVM 分类器

目的是得到w和b这两个可以完全定义一个svm的参数

1. svm的输入X,Y分别如下：

   //伪代码
   
   X=[正类特征矩阵features_pos，负类特征矩阵features_neg]
   //相当于把正负类的hog特征之间拼接
   
   Y=[（1,1,1,1….）;(-1,-1,-1,-1….)] 
   //“正类数量”个1的序列和“负类数量”个-1的序列的拼接
   

2. 调用函数[w,b] = vl_svmtrain(X', Y', lambda);得到线性svm分类器的参数w和b

（4）计算该svm分类器的精度&画人脸模型

1. 计算准确率
   将正负类样本刚刚算出来的特征带入svm的式子，如果分类器有效的话某个正类特征算出来的值应该是正的，负类特征算出来应该是负的。然后每个样本都带入算出一个结果，和答案向量（正类数量个1，负类数量个-1）对比，得到准确率。

2. 画出template
   可以根据正脸特征的梯度直方图画出他学习到的人脸模型

（5）Mine hard negatives

目的：用难区分的负样本来强化一下svm

先找出hard negative（难以区分的负样本），也就是收集把负样本放进上一步训练的svm时，被以为是正样本的图片（这里只收集被认为是正样本的概率大于一定值的）。

把这些hard negative图片提取hog特征（调用hog = vl_hog）后，把（hn+原来的负类）的hog特征一起当成负类的hog特征再次训练svm，这样可以降低假阳性率 （fp_rate）从而提高准确性。

（6）在测试集上运行检测器detector，找出人脸

准确率约为89.3%

调用run_detector函数，输入测试集的路径 + svm的w和b两个参数 + template_size + hog_cell_size，
返回bboxes, confidences, image_ids三个东西，分别是：

Bboxes：Nx4矩阵，N是detections的数量，4代表着[x_min, y_min, x_max, y_max]4个维度
Confidences： Nx1，某个detection的confidence
image_ids：Nx1，存文件名

对于每个测试集的图片img，把img分别缩小到0.8倍，0.8²倍，0.8³倍……0.8⁶倍

在每个尺度上，调用HOG = vl_hog提取缩放后的图片（scaled_img）的hog特征，然后把结果带入到svm的公式里算出一个得分（得分如果是正的说明我的svm预测他是正类）

这里还用了一个threshold参数。不是>0就认为是正了，而是>threshold才认为是正类。

在正类的地方框出来，并记录一个confidence参数（由刚刚丢进svm算出来的得分，挑出大于threshold的部分再标准化得到的，用于衡量svm认为这个图片是人脸的概率）。

在不同尺度上都得到后，进行非最大抑制。即调用non_max_supr_bbox函数，输入每个尺度下的框框和置信度（confidence），得到/保留从不同尺度中挑出来是最大值的。

（7）探究参数的影响

hog_cell_size：计算hog特征时的cell的变长。随着 hog_cell_size 的增大，精度不断下降，因为更大的区域直接取了一个梯度直方图，更粗糙，但是计算量降低。

threshold ：判断为正类的阈值。随着 threshold 的增大（判断为正类的标准越严格），结果精度先减小后增大。 threshold 增大，精度先减小可能是因为将一些正类也判别成为负类了。