对输入图片进行行人检测时由于图片的大小不一样，所以要用到多尺度检测。这里是用hog类的方法detectMultiScale。

函数原型：

HOGDescriptor::detectMultiScale(const GpuMat& img, vector&

found_locations, doublehit_threshold=0, Size win_stride=Size(),

Size padding=Size(), double scale0=1.05, int group_threshold=2)

作用：

该函数表示对输入的图片img进行多尺度行人检测 img为输入待检测的图片；found_locations为检测到目标区域列表；

参数说明：

参数3为程序内部计算为行人目标的阈值，也就是检测到的特征到SVM分类超平面的距离;

参数4为滑动窗口每次移动的距离。它必须是块移动的整数倍；

参数5为图像扩充的大小；

参数6 :scale0为比例系数，即被检测图像每一次被压缩的比例，这个可以从OPENCV的hog.cpp源文件中看出：

for( levels = 0; levels < nlevels; levels++

) { //若待检测图像的尺寸小于检测窗口的尺寸，则停止检测 levelScale.push_back(scale); if( cvRound(img.cols/scale) < winSize.width

|| cvRound(img.rows/scale) < winSize.height

|| scale0 <= 1

) break; scale *=

scale0; }之前一直理解的是检测窗口会不断的按照比例系数放大，其实检测窗口是固定不变的，是待检测图像按照比例系数缩小。

参数7为组阈值，即校正系数，当一个目标被多个窗口检测出来时，该参数此时就起了调节作用，为0时表示不起调节作用。

最后对检测出来的目标矩形框，要采用一些方法处理，比如说2个目标框嵌套着，则选择最外面的那个框。

因为hog检测出的矩形框比实际人体框要稍微大些,所以需要对这些矩形框大小尺寸做一些调整。

在进行交通灯检测的程序编写中，经过各种调整，还是使用detectMultiScale(src, found,0,Size(8,8),

Size(32,32), 1.05,

2)最终通过了，其他的参数一直报错。其中第五个参数为Size(0,0)时，检测出的矩形框数量为65个，Size(32,32)时检测出的矩形框为83个，调整为Size(64,64)后检测到的矩形框增加为109个，说明这个参数的尺寸越大，好像检测量越大，检测出的矩形框越多。暂时是这么认为的，以后想清楚了再来更新吧。

下面的一组实验结果是对第4个参数的理解，第四个参数越大，检测窗口移动的步长越大，检测的目标个数越小。(检测是在训练样本数量很少的情况下完成的，提高训练样本数量可以增加检测的精度)

下图是参数为detectMultiScale(src, found,0,Size(4,4), Size(0,0), 1.05,

2)的检测结果，矩形框个数为38个

下图是参数为detectMultiScale(src, found,0,Size(16,16), Size(0,0), 1.05,

2)的检测结果，矩形框个数为88个

当第4个参数为Size(64,64)时，检测窗口仅为12个。detectMultiScale(src,

found,0,Size(32,32), Size(0,0), 1.05, 2)