HoG SVM 目标检测分析

前一段时间开始了解HoG跟SVM行人识别，看了很多包括Dalal得前辈的文章及经验分享，对HoG理论有了些初步的认识。

HoG 的全称是 Histogram of Oriented Gradient， 直译过来也就是梯度方向直方图。 就是计算各像素的梯度方向，统计成为直方图来作为特征表示目标。

下面简述一下利用HoG + SVM 实现目标检测的简要步骤

Step1：获取正样本集并用hog计算特征得到hog特征描述子。例如进行行人检测，可用IRINA等行人样本集，提取出行人的描述子。

Step2：获取负样本集并用hog计算特征得到hog特征描述子。 负样本图像可用不含检测目标的图像随机剪裁得到。 通常负样本数量要远远大于正样本数目。

Step3: 利用SVM训练正负正负样本，得到model。

Step4：利用model进行负样本难例检测。对Training set 里的负样本进行多尺度检测，如果分类器误检出非目标则截取图像加入负样本中。(hard-negative mining)

Step5:  结合难例重新训练model。

Step6：应用最后的分类器model检测test set，对每幅图像的不同scale进行滑动扫描，提取descriptor并用分类器做分类。如果检测为目标则用bounding box 框出。图像扫描完成后应用 non-maximum suppression 来消除重叠多余的目标。