建議用後面EdgeBoxes做邊框預測，比SW快一點準一點。如果大家感興趣，也建議用faster rcnn SPN層中的anchor技術。

--------------------------------------------------------------------------

《SVM物體分類和定位檢測》這一系列博文結束了。

總結一下我用著最好的方法流程吧。

1. 先HoG提取特徵feature

2. 用PCA對feature降維然後用PSO優化引數C和gamma，降維的目的是加快PSO執行速度，否則太慢，但分類效果降低

3. 用第一步拿到的feature和第二步拿到的引數訓練一個初始SVM模型

4. 用Hard Negative Mining優化SVM模型

5. 用滑窗進行detection，最後用NMS做邊框迴歸

目前2700正樣本，2700負樣本，只經過PSO優化引數後訓練好模型，分類測試準確率84%。測試集1200負樣本，700正樣本。

但是檢測框的精確不高，誤檢測很多。

------------【2017.07.10 更新】-------------------------------------------------------------------------------------------

對detection程式碼修改了一點，對資料集進行了一些處理。通過PSO優化引數後的SVM模型測試準確率85.6%左右，以100畫素為步長做完HNM後的模型準確率將為83%左右，但是detection誤檢測降低很多。後來我又以50畫素為步長重新HNM，現在的模型做detection效果已經很不錯，誤檢測很少，正確檢測雖然不穩定，但是已經滿足需求了。我用100畫素做步長，最後是對3.9W特徵訓練SVM模型，模型大小116M。我用50畫素做步長，最後是對9W多特徵訓練SVM，模型大小190M。

多說一嘴，我用HoG對每張圖片提取了2900多特徵。在做PSO的時候，之前一直是用PCA給降維到500。為了追求更好的效果，後來我都是降維到2000做PSO。雖然會慢很多，但效果好一點。

-------------------------------------------------------------------------------------------------------------------------------------