最近在做行人檢測，而最流行，也是最老的兩種方法就是haar+adaboost 與 hog+SVM。兩種我都嘗試了，效果並不如想象的好，所以要想有更好的效果，一是要有預處理，二是要有更大量的正負樣本。

   下面現總結一下自己應用的 haar+Adaboost 進行的行人檢測：

   我分別訓練了兩個分類器，訓練資料庫均來自NICTA（澳大利亞資訊與通訊技術研究中心），用其中的2000張做證樣本，5000多張做負樣本（自己在網上找的）得到第一個分類器；後來因為對於側身人體檢測效果不好，我又從資料庫中找到並裁剪了800張側身正樣本（真心費眼睛啊……），負樣本同上，從而得到了第二個分類器。調整cvHaarDetectObjects（）引數後得到的效果圖如（1）（2）所示。

    而對於 HOG + SVM，因為要求圖片較大，所以能找到的資料庫只有MIT和INRIA的能用。所以正樣本1511張，負樣本5748張，得到的分類器效果如（3）所示。

  （1）first classifier(haar): (2）second classifier(haar):（3）third classifier(hog):

1.     

 2.               

3.                

4.                

5.                

6.                

7.                

8.         

9.                

10.          

      如上圖可見：

    第一個分類器對於正面身體檢測效果較好，而對於側身檢測較弱，其中一個很重要的原因是我最開始訓練的資料集並未經過篩選，所以導致效果一般；

    第二個分類器則對於側身檢測效果較好，原因是我精選了800多張側身正樣本，但還不全面，很明顯如圖8就無法檢測出來；

    第三個分類器是用HOG特徵製作的，不得不承認，hog特徵的確十分適用於行人的檢測，1511張正樣本即可達到很高的hit rate.但隨之而來的是其過高的false positive，不準確的檢測框以及過長的時間。一直不明白為什麼hog+svm總是有很多的false positive,是因為SVM的原因？線性分類器的分類效果一般吧。有人懂嗎？

    因此，為了達到更高的hit rate與更低的false positive，我將會用二者做一個級聯分類器，從而投票決定搜尋結果。當然在此之前，我需要更多的正樣本去將每一個分類器訓練的更精確，魯棒性更強。但願實驗室給些支援呀…… 

    最後就是效率問題還是沒能解決,hog實在是太費時間了，一張小圖居然都要幾秒，完全達不到實時性，看了一篇paper，說是其中一半的時間都用來resize和搜尋框移動。嗯，接下來好好看paper，爭取優化hog分類器。