我是新手，我正在使用 opencv2.4.4 和 Visual Studio 2010，我正在运行包中的示例 peopledetect.cpp 及其编译和运行，但我想详细了解源代码。在 peopledetect.cpp是否已经为 peopledetection 构建/训练了 hog 描述符 3780 个向量被输入到 svm 分类器中？当我尝试调试 peopledetect.cpp 时，我只能发现 HOGDescriptor 创建了 hog 描述符和检测器，我基本上不明白这个 API 做了什么HOGDescriptor因为我看到peopledetect.cpp没有经过 hog 处理的步骤，它加载了已经训练好的向量到 svm 分类器来检测人/没有人，我错了吗？因为没有关于此的文档。
任何人都可以请简要介绍一下。
opencv中人物检测算法的实现是基于HOG描述符作为特征，SVM作为分类器。
1.训练数据库（正样本作为人，负样本作为非人）用于学习 SVM 参数（它计算和存储支持向量）。还执行交叉验证（我假设）以优化软边距参数 C 和内核参数（它可能是线性内核）。
2.为了检测测试视频数据的人，peopledetect.cpp加载预学习的 SVM，计算不同位置和尺度的 HOG 描述符，然后合并具有高检测分数的窗口（二进制 SVM 分类器的输出）。
这是一篇很好的论文（inria）。
为了得到更清晰的答案，peopledetect.cpp 经历了所有的猪步骤。深入挖掘我更清楚。基本上，如果你调试 peopledetect.cpp 会经历这些步骤。
最初图像被分成几个尺度，scale0(1.05)是检测窗口增加的系数。对于图像的每个尺度，从窗口中提取特征并运行分类器窗口，就像上面一样，它遵循尺度空间金字塔方法。所以它相当大的计算过程，非常昂贵，所以 opencv 团队试图为每个规模进行并行化。在为什么我无法调试/完成这些步骤之前，我感到很困惑，这个 parallel_for_(Range(0, (int)levelScale.size()),HOGInvoker()) 创建了几个线程，每个线程在每个规模上工作，取决于多少线程或创建了这样的东西。因此我无法调试，我所做的是冻结所有线程并仅调试主线程。对于不同尺度的图像 hog 处理步骤是
在 peopledetect.cpp hog 和分类器窗口有点结合。在单个窗口（64x128）中，特征提取和运行分类器都发生了。之后对图像的每个比例完成此操作。有许多不同尺度的行人窗口通常与这个区域相关联，这是使用 grouprectangle() 函数分组的
我从不同的论文中了解到，使用 hog 的特征提取是使用几个正负图像完成的，提取的这些特征被馈送到线性 SVM 来训练它们，所以 peopledetect.cpp 使用这个训练好的线性 SVM 样本，所以这个特征提取过程不是由 peopledetect.cpp 完成的，即 HOGDescriptor::getDefaultPeopleDetector() 由为人员检测训练的分类器的系数组成。从 hog detection/window(64x128) 中提取的特征总长度为 3780（4 个单元 x 9 个 bin x 7 x 15 个块 = 3780）个特征。然后使用这些特征来训练线性 SVM 分类器。如果对 1000 多个负样本和正样本进行相同的特征提取，那么必须有数百万个特征仪式吗？我们如何获得这些系数？
但是已知 HOG 描述符包含冗余信息，因为使用了不同的检测窗口大小。所以当 SVM 分类器将一个区域分类为“行人”时，往往会与该区域关联多个不同尺度的行人窗口。peopledetect.cpp 主要做的是 (hog.detectMultiScale(img, found, 0, Size(8,8), Size(32,32), 1.05, 2);) 检测窗口在图像的所有位置进行扫描并且尺度，并且在输出金字塔上运行传统的非最大抑制来检测对象实例。