HOG

本文图像内容均来自这里，如果您对cv和dl感兴趣，请查看此连接获取详细介绍。

使用HOG训练的过程

1. 样本P是来自训练集的包含对象的正样本
2. 样本N是来自训练集的不包含对象的负样本N>>P
3. 在正负样本上训练支持向量机
4. 对于负样本每张图片和每个可能的缩放尺度，在每个窗口计算HOG描述和应用你的分类器。如果你的分类器不正确窗口为一个对象，记录结合每个分类概率的false-positive path的特征向量,这个方法成为hard-negative mining。 4 得到从hard-negative mining得到的false-positive样本，通过置信度小小他们同时使用hard-negative样本重新训练你的分类器。（主语:你可以迭代4-5）但是在实际上步总是足够的。为了增加运行hard-negative mining tend变得最小的精确度。
5. 你的分类器现在训练可以用在你的测试数据集上。就好像第四步，对每张你的测试集的图片，每个缩放scale，使用滑动狂技术。在每个窗口提取HOG描述应用到分类器。如果你的分类器以一个较大的概率检测到了目标，记录窗口的bounding box。在完成图片扫描后，使用NMS(非极大抑制)删除冗余和重复的bounding box。 下面是NMS效果