訓練數據的時候，首先需要做下面幾步：
1.準備訓練樣本；2.對樣本進行Hog+Svm的訓練；3.運用test圖片進行預測
一、準備樣本
樣本分爲正樣本和負樣本，樣本的準備可以運用視頻的分幀截取圖片存儲。這裏pos文件夾下包含正樣本，包含所檢測的目標；neg不包含檢測的目標爲負樣本。樣本的準備的時候，圖片的尺寸需要注意，這裏的尺寸是64x128。
樣本的獲取的手段：1.來源於網絡；2.自己收集。一個好的樣本遠勝過一個複雜的神經網絡，容量大。通常我們是自己收集樣本的，會通過視頻截取幀來得到的，比如說一秒28幀，有100秒，則可以得到2800張圖片。
正樣本的特點：儘可能多樣性，這裏的多樣性一般是指的環境的多樣性，干擾性因素多，這樣檢測的效果較好。這裏有截取本數據集的部分代碼。如下，代碼有部分解釋，也較爲簡單，可以看懂：
# 視頻分解成圖片
# 1 load加載視頻 2 讀取info 3 解碼 單幀視頻parse 4 展示 imshow
import cv2
# 獲取一個視頻打開cap
cap = cv2.VideoCapture('1.mp4')
# 判斷是否打開
isOpened = cap.isOpened
print(isOpened)
#幀率
fps = cap.get(cv2.CAP_PROP_FPS)
#寬度
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
#高度
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
print(fps,width,height)
i = 0
while(isOpened):
if i == 100:
break
else:
i = i+1
(flag,frame) = cap.read() # 讀取每一張 flag讀取是否成功 frame內容
fileName = 'imgs\\'+str(i) + '.jpg'
print(fileName)
if flag == True:
#寫入圖片
cv2.imwrite(fileName,frame,[cv2.IMWRITE_JPEG_QUALITY,100])
print('end!')
圖片分解完後，我們這裏其實準備的數據集的尺寸是64x128，所以這裏我們需要裁剪和截取。下面是裁剪和截取的代碼，這裏的代碼前面有所介紹，這裏可以看到具體介紹：
# 540 * 960 ==>64*128
import cv2
for i in range(0,100):
fileName = 'imgs\\'+str(i+1)+'.jpg'
print(fileName)
img = cv2.imread(fileName)
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
mode = imgInfo[2]
dstHeight = 128
dstWidth = 64
dst = cv2.resize(img,(dstWidth,dstHeight))
cv2.imwrite(fileName,dst)
這裏準備的正樣本的數量是820個，負樣本是1931個，一般來說，正負樣本的比例是1：2或者1：3。
二、訓練樣本
在訓練樣本的時候，要注意一些問題，在代碼註釋中會有詳細說明，如下，代碼很多地方都有，可以看一下說明註釋：
可以結合上一篇博客來看，就會較快的理解。
第七步（檢測）的重點介紹：
沒有直接運用svm.predict來進行預測。
resultArray是3780維的，rho是一個一行一列一維的，而最終的的數組myDetect是3781維度的，所以3780的維是來自resultArray的，最後一個維度是來自rho的。
檢測需要創建myhog，需要用myhog進行檢測，用detectMultiScale進行檢測，沒有用predict方法，得到寬高等信息返回，才能把目標繪製出來。代碼如下：
# 1.參數的設置 2.hog的創建（實例對象） 3.獲取SVM的參數
# 4.計算hog 5.label標籤 6.完成train訓練 7.完成predicr 8.繪圖draw
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 1 參數的設置：設置全局變量 在一個windows窗體中有105個block，每個block下有4個cell，每個cell下有9個bin，總共3780維
PosNum = 820 # 正樣本的個數
NegNum = 1931 # 負樣本的個數
winSize = (64, 128) # 窗體大小
blockSize = (16, 16) # 105個block
blockStride = (8, 8) # block的步長
cellSize = (8, 8)
nBin = 9
# 2 hog對象的創建，HOGDescriptor創建的方法，參數設置：1.窗體的大小，2.block的大小，3.步長，4.cell的大小，5.Bin的數量
hog = cv2.HOGDescriptor(winSize, blockSize, blockStride, cellSize, nBin)
# 3 SVM分類器的創建，定義一個SVM的對象，來自機器學習的SVM創建的模塊
svm = cv2.ml.SVM_create()
# 4 計算當前的hog，需要準備各種參數，並且我們需要把參數計算完後保存在某個地方，所以我們需要新設置一定的數組，或者是當前hog特徵的維度
featureNum = int(((128-16)/8+1)*((64-16)/8+1)*4*9)
# 3780，特徵的維度，是一個int類型；((128-16)/8+1)是block的數量，((64-16)/8+1)爲windows的寬度，4就是指的一個block裏面有4個cell，9是一個cell裏面有9個Bin，這樣計算可以的惡道3780維
# 還需要創建一個feature數組和一個label數組用於裝載當前的特徵，爲接下來的第五步和第六步作準備，將標籤和特徵準備好
featureArray = np.zeros(((PosNum+NegNum), featureNum), np.float32)
# featureArray是一個二維的數組，第一個(PosNum+NegNum)是正負樣本的個數，featureNum特徵的維度
labelArray = np.zeros(((PosNum+NegNum), 1), np.int32) # 定義一個標籤，也是一個二維的，參數和上面的一樣
# SVM 是監督學習，所以需要樣本和標籤 SVM進行學習，而學習的是圖片中的的hog特徵，所以我們可以說hog特徵可以說做是SVM真正的樣本，標籤是我們在進行SVM訓練的時候，進行監督學習使用的
# 遍歷所有的圖片:正負樣本都需要遍歷
for i in range(0, PosNum):
fileName = 'pos\\'+str(i+1)+'.jpg'
img = cv2.imread(fileName) # 圖片的讀取
hist = hog.compute(img, (8, 8)) # 當前hog的計算 3780維的數據，用hist裝載特徵，計算HOG描述子，檢測窗口移動步長(8,8)
# 當前的問題是：我們需要將hog特徵裝載到featureArray中，而featureArray是一個二維的，而計算出來的只是一個hist,那麼這一步怎麼完成呢？
# 其實我們這裏的hist是一個3780維的，而featureArray是一個二維的，且第一個參數是正負樣本的個數，第二個參數是featureNum，我們可以這麼操作：
for j in range(0,featureNum):
# featureArray裝載的是hog的特徵，比如說i=1的時候，第一個hog表示爲hog1，i=2的時候爲hog2，第二個特徵，每一個特徵是3780維的，所以hist[j]要放到i行，第j列中
featureArray[i,j] = hist[j] # hog特徵的裝載
labelArray[i,0] = 1 # 正樣本標籤爲1，labelArray也是一個二維的，n行1列的，所以縱座標放置的是0，正樣本處理完畢，接下來的負樣本的設置是一樣的
for i in range(0, NegNum):
fileName = 'neg\\'+str(i+1)+'.jpg'
img = cv2.imread(fileName)
hist = hog.compute(img,(8,8))
for j in range(0,featureNum):
featureArray[i+PosNum,j] = hist[j] # 同樣要把特徵放在featureArray中，所以i+PosNum是要記錄負樣本的時候必須裝載在正樣本的後面
labelArray[i+PosNum,0] = -1 # 負樣本標籤爲-1
# 設置SVM的屬性，setType設置屬性，添加當前類型，再來設置setKernel爲SVM的線性內核，再來設置setC
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setC(0.01)
# 6 train，調用train進行訓練，參數：1.特徵數組；2.機器學習ROW_SAMPLE；3.標籤數組。返回值爲ret
ret = svm.train(featureArray, cv2.ml.ROW_SAMPLE, labelArray)
# 預測可以運用svm.predict來進行預測，這裏我們不用，使用其他方法來進行檢測
# 7 預測（創建myHog--->myDect參數得到-->來源於resultArray（公式得到） rho(訓練得到)）
# rho是svm得到的一個hog的描述信息，這個在最後的閾值判決的時候起作用，在累加的時候起作用
# 深入到hog以及svm最後的判決中看
alpha = np.zeros((1), np.float32)
# getDecisionFunction方法最核心的還是svm的計算，svm來源於訓練方法，樣本準備好後訓練可以得到svm，然後得到rho
rho = svm.getDecisionFunction(0, alpha)
print(rho)
print(alpha)
# resultArray，定義alphaArray，我們需要用alphaArray和支持向量機數組進行相乘
alphaArray = np.zeros((1, 1), np.float32)
# 設置支持向量機數組
supportVArray = np.zeros((1, featureNum), np.float32)
resultArray = np.zeros((1, featureNum), np.float32)
alphaArray[0, 0] = alpha # 一行一列的，所以第一個元素是[0, 0]
resultArray = -1*alphaArray*supportVArray # 計算公式；resultArray 計算，支持向量的個數，只需要當成參數就行
# mydect參數，構建detect
myDetect = np.zeros(3781, np.float32)
for i in range(0, 3780):
# 是一個一維的，myDetect
myDetect[i] = resultArray[0,i]
myDetect[3780] = rho[0]
# myHog的創建很重要
# 構建好Hog，用HOGDescriptor方法構建
myHog = cv2.HOGDescriptor()
# 返回的myHog，用setSVMDetector設置屬性
myHog.setSVMDetector(myDetect)
# 待檢測圖片的加載
imageSrc = cv2.imread('test2.jpg', 1)
# 檢測小獅子 (8,8)winds的滑動步長 1.05 縮放係數 (32,32)窗口大小
# 完成檢測，返回的目標包含哪些信息，myHog有個方法detectMultiScale，和人臉識別比較類似，縮放。
# 它可以檢測出圖片中所有的目標，並將目標用vector保存各個目標的座標、大小（用矩形表示），函數由分類器對象調用；1.05是縮放，(8, 8)windows的滑動步長，(32, 32)窗體大小
# myHog的創建很重要
objs = myHog.detectMultiScale(imageSrc, 0, (8, 8), (32, 32), 1.05, 2)
# 起始位置、寬和高 objs三維信息，獲取目標的座標，是三維的，所以我們需要定義一個三維的座標，這些信息放在三維中的最後一維
x = int(objs[0][0][0]) # 座標，w和h是寬高
y = int(objs[0][0][1])
w = int(objs[0][0][2])
h = int(objs[0][0][3])
# 目標的繪製 圖片 起始位置 終止位置 顏色，繪製矩形框
cv2.rectangle(imageSrc, (x, y), (x+w, y+h), (255, 0, 0))
# 目標的展示
cv2.imshow('dst', imageSrc)
cv2.waitKey(0)