=++++++++++++++++++++++提取 HOG 特徵+++++++++++++++++++++++++=

//樣本矩陣，nImgNum：橫座標是樣本數量。 列數是該 樣本對應的 特徵維數。ex: 樣本是學生，其樣本特徵可以由 身高，體重，年齡 組成，那麼  第二個引數就是 3 啦。

CvMat *data_mat = cvCreateMat( nImgNum, 1764, CV_32FC1 ); 

1764 是如何計算出來的。

1. 先確定 你 要訓練 以及 檢測 的圖片 的 大小  IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3);  

   ok  這裡是  64 x 64

2.  確定 HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(8,8),cvSize(8,8),9); 

     第一個 視窗 大小 設定 為 上面的圖片大小 64 x 64 。 

    第二個 塊大小 是 16 x 16 的話 [ 額  這個腫麼確定？與前面的 視窗大小有關係 麼？ 這是opencv中預設的大小]

    第三個 塊block的步進 stride 8 x 8

    第四個是 胞元cell大小 8 x 8

   第五個是 cell的直方圖的 bin = 9

   梯度方向數 nbins

   nBins表示在一個胞元（cell）中統計梯度的方向數目，例如nBins=9時，在一個胞元內統計9個方向的梯度直方圖，每個方向為180/9=20度。

   每個 cell 有 9 個向量

   每個block 有 (16 / 8 ) * (16 / 8) = 2 * 2 = 4 個 cell， 那麼現在就有 4 * 9 = 36 個向量啦

   每個 視窗 有多少個 block 呢？

利用公式   (window_size - block_size)/block_stride + 1  對兩個方向進行計算：

 ( 64 - 16) / 8 + 1 = 7

        兩個方向  7 * 7 = 49

   so  共有  49* 36 = 1764

//型別矩陣,儲存每個樣本的型別標誌 , 一維，只需要儲存該樣本屬於哪一類即可(只有兩類)
 CvMat *   res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );  

HOGDescriptor *hog=new HOGDescriptor(cvSize(64,64),cvSize(16,16),cvSize(8,8),cvSize(8,8),9); 

// 計算hog特徵

// trainImg是讀入的需要計算特徵的影象，IplImage* trainImg=cvCreateImage(cvSize(64,64),8,3);

//descriptors 是結果陣列   vector<float>  descriptors;   HOG特徵的維數就是 =  descriptors.size 啦，上例中，就是 那個3 啦。

hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); 

//計算完成後，把hog特徵儲存到 上面宣告的那個 樣本 矩陣中

 //   i   是當前處理的第  i  張 圖片， n 從 0 開始 ++ ，從第 0 列 開始儲存。 *iter  是 (vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++) 

 cvmSet(data_mat, i, n,*iter);  

//  訓練讀入的圖片是有  標籤 的( 知道已知屬於哪一類),  將標籤存入  標籤 矩陣 。i 是當前處理的 圖片 的 編號。 img_catg[i] 是  讀入 的已知的 資料。

cvmSet( res_mat, i, 0, img_catg[i] ); 

++++++++++++++++++++++++++++++++++開始訓練+++++++++++++++++++++++++++

首先要/新建一個SVM    

CvSVM svm = CvSVM();

// 開始訓練~

 svm.train( data_mat, res_mat, NULL, NULL, param );   //data_mat 是 上面提取 到的 HOG特徵，儲存 m 個樣本的 n 個特徵， res_mat 是標籤矩陣，m個樣本屬於哪一類，已//  知的。   param 的定義如下：

CvSVMParams param  = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );  

CvTermCriteria   criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );   

// 將訓練結果儲存在 xml檔案中

 svm.save( "SVM_DATA.xml" );

此階段生成檔案：

SVM_DATA.xml

訓練完成之後，就開始 對 你所需要 的 資料 進行 預測。 這裡預測  當前 圖片 屬於 那一類別。

++++++++++++++++++++++++++++++++++檢測樣本+++++++++++++++++++++++++++

讀入當前要預測的圖片 testImg

將testImg 縮放 至 與 訓練圖片 一樣大小 ，直接存放到 trainImg中

計算讀入的圖片的Hog特徵，

 hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //呼叫計算函式開始計算     

仍用 vector<float> descriptors;  存放結果 

建立一個  一行  n 列 的向量。  n 是 特徵的個數 。 就是上面的 3 啊， descriptors.size() 啊。   用來存放  當前要預測的圖片的 特徵

 CvMat* SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1); 

// 開始預測

 int ret = svm.predict(SVMtrainMat);

ret 返回的是 當前 預測 的 圖片 的  類別。 就是   一開始 讀到  標籤 矩陣 中的 資料。 一般 用 0 or 1  來標示 兩大類別。

可將結果檔案儲存在：

SVM_PREDICT.txt

************************************************Hog詳解********************************************************************

HOG基本概念

在建構函式中，有幾個引數非常重要，分別為winSize(64,128),  blockSize(16,16),  blockStride(8,8), cellSize(8,8),  nbins(9)。在此，用幾個示意圖來表示。

a)       視窗大小winSize

b)      塊大小blockSize

c)       胞元大小cellSize

d)       梯度方向數

nbins代表在一個胞元中統計梯度的方向數目。如：nbins=9表示一個胞元內統計9個方向的梯度直方圖。

Hog特徵維數的計算

首先給出一個hog

HOGDescriptor* hog = newHOGDescriptor(cvSize(64, 48), cvSize(8, 6), cvSize(8, 6), cvSize(4, 3), 9);

根據上面的概念可知，cvSize(64,48)表示視窗的大小，cvSize(8, 6)表示塊（block）大小，cvSize(8,6)表示塊滑動增量（blockStride）大小，cvSize(4, 3)表示胞元（cell）大小，9表示每個胞單元中梯度直方圖的數量。

注：輸入的圖片尺寸為640×480。

據此，可知：

一個塊（block）包含A=(blockSize.width/cellSize.width)*(blockSize.height / cellSize.height)個胞元（cell），所以一個塊（block）含有9A個梯度直方圖。按照所給出的資料，可得結果為36。

一個視窗包含B=((windowSize.width-blockSize.width)/(blockStrideSize.width)+1)* ((windowSize.height-blockSize.height)/(blockStrideSize.height)+1)個塊（block），所以一個視窗包含9AB個梯度直方圖。

按照所給出的資料，可得結果為2304。

其次，計算特徵向量hog->compute(trainImg,descriptors, Size(64, 48), Size(0, 0))

此處，trainImg代表輸入的圖片（此處尺寸為640×480），descriptors表示儲存特徵結果的Vector，Size(64,48)表示windows的步進，第四個為padding，用於填充圖片以適應大小。

當padding以預設狀態Size(0,0)出現，滑動視窗window來計算圖片時，

結果不一定為整數。

此時，檢視compute()函式發現，其中有一段程式碼如下：

padding.width = (int)alignSize(std::max(padding.width,0), cacheStride.width);

padding.height = (int)alignSize(std::max(padding.height,0), cacheStride.height);

這段程式碼就是用來將padding的大小來適應stride的大小。

在我的例項中，由於取得數都事先設計好，都是整數。而當若結果不為整數時，則將其取值為比其大的最小整數。如若padding.width計算為7.8時，就取8.

所以一幅640×480的圖片，按照前面的引數，則可以取的特徵數為230400維。