细分析了cvhop.cpp中的compute函数，可以直接调用它来获得样本HOG，然后训练得到检测算子
1.制作样本
2.对每一张图片调用
hog.compute(img, descriptors,Size(8,8), Size(0,0));
可以生成hog descriptors，把它保存到文件中
for(int j=0;j<3780;j++)
fprintf(f,"%f,",descriptors[j]);
3.利用SVM进行训练和分类，可得到权重系数，即getDefaultPeopleDetector()函数中调用的
检测 算子 detector[]
直接使用libsvm，需要按它的格式构造数据，下面简述在matlab下使用libsvm
下载libsvm-mat-2.9-1 （libsvm3.12版本）
方法1：
切换到libsvm-mat-2.9-1所在的目录下，打开MATLAB键入：
mex -setup
方法2：matlab菜单 File-->set path 将libsvm-mat-2.9-1所在路径添加进来。
----------------------
下面以libsvm-mat-2.9-1自带的heart_scale为例进行介绍
-----------kernel_type为线性----------------------------------
load heart_scale.mat
train_data = heart_scale_inst(1:150,:);
train_label = heart_scale_label(1:150,:);
test_data = heart_scale_inst(151:270,:);
test_label = heart_scale_label(151:270,:);
model_linear = svmtrain(train_label, train_data, '-t 0')
[predict_label_L, accuracy_L, dec_values_L] = svmpredict(test_label, test_data,model_linear);
----------训练后得到模型-------
model_linear =
Parameters: [5x1 double]
nr_class: 2
totalSV: 58
rho: -1.1848
Label: [2x1 double]
ProbA: []
ProbB: []
nSV: [2x1 double]
sv_coef: [58x1 double]
SVs: [58x13 double]
-----------如何从模型中求取权重系数----
参考以下网站，可知
http://www.csie.ntu.edu.tw/~cjlin/libsvm/faq.html#f804
对于2类问题，可如下求解线性问题（y=wx+b)的权重系数w和b
w = model_linear.SVs' * model_linear.sv_coef;
b = -model_linear.rho;
---------
求出的w即是OpenCv中的detector[]
注意训练样本可能出现过拟合或者欠拟合~~~：都是在图正中间圈一个框！
libsvm参数说明：
English:
libsvm_options:
-s svm_type : set type of SVM (default 0)
0 -- C-SVC
1 -- nu-SVC
2 -- one-class SVM
3 -- epsilon-SVR
4 -- nu-SVR
-t kernel_type : set type of kernel function (default 2)
0 -- linear: u'*v
1 -- polynomial: (gamma*u'*v + coef0)^degree
2 -- radial basis function: exp(-gamma*|u-v|^2)
3 -- sigmoid: tanh(gamma*u'*v + coef0)
4 -- precomputed kernel (kernel values in training_instance_matrix)
-d degree : set degree in kernel function (default 3)
-g gamma : set gamma in kernel function (default 1/k)
-r coef0 : set coef0 in kernel function (default 0)
-c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1)
-n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5)
-p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)
-m cachesize : set cache memory size in MB (default 100)
-e epsilon : set tolerance of termination criterion (default 0.001)
-h shrinking: whether to use the shrinking heuristics, 0 or 1 (default 1)
-b probability_estimates: whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)
-wi weight: set the parameter C of class i to weight*C, for C-SVC (default 1)
-v n: n-fold cross validation mode
==========================================================
Chinese:
Options：可用的选项即表示的涵义如下
-s svm类型：SVM设置类型(默认0)（对于回归只能选3或4）
0 -- C-SVC
1 --v-SVC
2 – 一类SVM
3 -- e -SVR
4 -- v-SVR
-t 核函数类型：核函数设置类型(默认2)
0 – 线性：u'v
1 – 多项式：(r*u'v + coef0)^degree
2 – RBF函数：exp(-r|u-v|^2)（gaussian kernel）
3 –sigmoid：tanh(r*u'v + coef0)
-d degree：核函数中的degree设置(针对多项式核函数)(默认3)
-g (gamma)：核函数中的gamma函数设置(针对多项式/RBF/sigmoid核函数)(默认1/ k,类别的倒数)（gaussian kernel 2σ）
-r coef0：核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)
-c cost：设置C-SVC，e -SVR和v-SVR中的参数C(默认1)（参数C）
-n nu：设置v-SVC，一类SVM和v- SVR中的参数nu(默认0.5)
-p epsilon：设置epsilon-SVR的损失函数epsilon的值(默认0.1)
-m cachesize：设置cache内存大小，以MB为单位(默认100)
-e eps：设置允许的终止迭代的标准(默认0.001)
-h shrinking：是否使用启发式，0或1(默认1)
-wi weight：设置第i类的参数C为weight*C，对于C-SVC中的C(默认1)
-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2
其中-g选项中的k是指输入数据中的属性数。option -v 随机地将数据剖分为n部分并计算交互检验准确度和均方根误差。以上这些参数设置可以按照SVM的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。
-Parameters: parameters
-nr_class: number of classes; = 2 for regression/one-class svm:数据集中有多少类别
-totalSV: total SV:总共的支持向量的数目
-rho: -b of the decision function(s) wx+b
-Label: label of each class; empty for regression/one-class SVM
-ProbA: pairwise probability information; empty if -b 0 or in one-class SVM
-ProbB: pairwise probability information; empty if -b 0 or in one-class SVM
-nSV: number of SVs for each class; empty for regression/one-class SVM:支持向量个数
-sv_coef: coefficients for SVs in decision functions:支持向量在决策函数中的系数
-SVs: support vectors
If you do not use the option '-b 1', ProbA and ProbB are empty
matrices. If the '-v' option is specified, cross validation is
conducted and the returned model is just a scalar: cross-validation
accuracy for classification and mean-squared error for regression.
libsvm Introduction Paper(林大神写的Introduction，有类型详解和数学推导……）
还有一篇libsvm注意事项：http://blog.csdn.net/boyhailong/article/details/7100968
还有一篇讲解松弛变量和惩罚因子（很有用）：Relation Extraction中SVM分类样例unbalance data问题解决 -松弛变量与惩罚因子
from: http://blog.csdn.net/yangtrees/article/details/7605279