hog+svm训练自己的分类器

一、原理简述
HOG: 方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征. 
SVM: (Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，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, 在行人检测中可以用作区分行人和非行人的分类器。

在使用HOG + SVM进行行人检测时, 采集HOG特征的主要思想是通过对一幅图像进行分析, 局部目标的表象和形状可以被剃度或者边缘密度方向分布很好的好的描述. 我们对图像的各个像素点采集土堆或者边缘的方向直方图, 根据直方图的信息就可以描述图片的特征. 好在OpenCv 中已经提供了计算HOG特征的方法, 根据采集到的HOG特征向量, 供SVM分类使用. SVM简单来说就是一个分类器, 在行人检测中就可以转化为行人与非行人的两类分类问题, 在OpenCv中运用到的是基于网格法的SVM.使用采集到的正样本(行人)和负样本(非行人, 可以是汽车, 树木, 路灯等等)的HOG特征, 然后使用SVM分类器进行训练, 得到行人检测模型, 进行行人检测.

二、数据准备

2.1 下载行人数据集：数据集

2.2 数据准备

将下载的数据集解压，里面有几个文件夹，点进去看内容差不多，都有train，test，pos,neg几个不同的文件夹，数据内容都是大同小异的，此时要注意我们的训练集图片的大小必须一致，例如pos的大小都为300*300，neg的大小都为64*128，否则训练过程会报错。我的数据集选择如下：

pos文件夹里都是包含人的图片，neg文件夹的图像是不包含人的任意图片，接下来就是生成图片的描述文件。

进入控制台：