最近在做行人检测，而最流行，也是最老的两种方法就是haar+adaboost 与 hog+SVM。两种我都尝试了，效果并不如想象的好，所以要想有更好的效果，一是要有预处理，二是要有更大量的正负样本。
下面现总结一下自己应用的 haar+Adaboost 进行的行人检测：
我分别训练了两个分类器，训练数据库均来自NICTA（澳大利亚信息与通讯技术研究中心），用其中的2000张做证样本，5000多张做负样本（自己在网上找的）得到第一个分类器；后来因为对于侧身人体检测效果不好，我又从数据库中找到并裁剪了800张侧身正样本（真心费眼睛啊……），负样本同上，从而得到了第二个分类器。调整cvHaarDetectObjects（）参数后得到的效果图如（1）（2）所示。
而对于 HOG + SVM，因为要求图片较大，所以能找到的数据库只有MIT和INRIA的能用。所以正样本1511张，负样本5748张，得到的分类器效果如（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.
如上图可见：
第一个分类器对于正面身体检测效果较好，而对于侧身检测较弱，其中一个很重要的原因是我最开始训练的数据集并未经过筛选，所以导致效果一般；
第二个分类器则对于侧身检测效果较好，原因是我精选了800多张侧身正样本，但还不全面，很明显如图8就无法检测出来；
第三个分类器是用HOG特征制作的，不得不承认，hog特征的确十分适用于行人的检测，1511张正样本即可达到很高的hit rate.但随之而来的是其过高的false positive，不准确的检测框以及过长的时间。一直不明白为什么hog+svm总是有很多的false positive,是因为SVM的原因？线性分类器的分类效果一般吧。有人懂吗？
因此，为了达到更高的hit rate与更低的false positive，我将会用二者做一个级联分类器，从而投票决定搜索结果。当然在此之前，我需要更多的正样本去将每一个分类器训练的更精确，鲁棒性更强。但愿实验室给些支持呀……
最后就是效率问题还是没能解决,hog实在是太费时间了，一张小图居然都要几秒，完全达不到实时性，看了一篇paper，说是其中一半的时间都用来resize和搜索框移动。嗯，接下来好好看paper，争取优化hog分类器。