今天要整理记录的内容是关于HOG特征检测和SVM线性分类器在OpenCV中的联合使用，并实现OpenCV自带的一个演示案例——行人检测。

那么先来了解一下什么是图像的HOG特征，HOG(Histogram of Oriented Gradient——面向梯度直方图)特征的大致计算方式如下：

1、对图像使用默认Size（64，128） 的窗口win进行开窗，在该窗口中选择默认的Size（16，16）的块区域block。

2、在块区域block中划分出默认的Size（8，8）大小的四个区域cell。

3、对每个区域cell都去构建一个将0°~360°分为9个区间bin的面向梯度直方图，该直方图中每个区间范围为40°，区间值为属于该区间的像素数量。 再对区域cell中的每个像素点计算梯度，并按照梯度方向（化为角度）将每个像素点放入该像素点所属区域cell的面向梯度直方图中的相应区间bin内。

4、统计每个区域cell的面向梯度直方图的九个区间值并作归一化处理，将处理后的九个区间值组合起来就得到了该区域cell的HOG特征。 接着遍历每个区域cell来得到每个区域cell的HOG特征，然后再组合起来得到这四个cell所属的块区域block的HOG特征。

5、遍历每个块区域block来得到每个块区域block的HOG特征，然后再组合起来就得到每个窗口win的HOG特征。

6、通过窗口win来对整幅图像进行开窗，遍历图像从而得到完整图像的HOG特征。

图像的HOG特征具有比较好的几何不变性和光照不变性，所以只要行人基本保持直立的姿态，就能忽视其肢体上的一些微小运动，从而实现对行人特征的检测。

SVM线性分类器是属于机器学习中的内容，这里引用百度百科上的一个介绍：

支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane） [1-3] 。 SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器 [2] 。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一 [4] 。 SVM被提出于1964年，在二十世纪90年代后得到快速发展并衍生出一系列改进和扩展算法，在人像识别、文本分类等模式识别（pattern recognition）问题中有得到应用 [5-6] 。

说白了，SVM（Support Vector Machine）支持向量机是一种寻求最大分类间隔的机器学习方法，SVM就是寻找一个分离数据正确且抗噪声强的稳健超平面（分类面），也即在不同类数据之间定位一个能够分离出不同类别数据的平面。

本人才疏学浅，这里就不对机器学习的内容进行深入研究了，下面来看看在OpenCV中怎么把HOG特征和SVM线性分类器相结合并实现行人检测。

其实，HOG+SVM进行行人检测已经是相当成熟的算法了，而在OpenCV中更是已经集成了这种检测算法。 所以我们只需要创建HOG特征检测器就可以加载OpenCV自带的行人检测模型了，再对图像进行多尺度的HOG特征检测，就能够实现一个简单的行人检测了。

其中，对图像进行多尺度的HOG特征检测的API是detectMultiScale()，其参数含义如下： （1）参数Img：表示输入图像； （2）参数foundLocations：表示包含检测对象的矩形框； （3）参数hitThreshold：表示SVM距离度量，默认用0表示，表示特征与SVM分类超平面之间距离的阈值； （4）参数winStride：表示进行开窗时的窗口步长； （5）参数padding：表示块区域block的大小； （6）参数scale：表示尺度空间的缩放系数； （7）参数finalThreshold：最终阈值，默认为2.0； （8）参数useMeanshiftGrouping：表示是否使用分组算法；默认为false，不建议使用，速度太慢。

对于detectMultiScale()这个API来说，其参数窗口步长winStride与缩放系数Scale对检测结果影响最大。特别是缩放系数Scale，小的尺度变化有利于检出低分辨率对象，同时也会导致目标误检的情况发生，而大的尺度变化可以避免误检但是可能会导致对象漏检的情况发生。

下面看一下代码演示：