本博客已经搬家！我已经在CSDN上重新注册了一个博客，该博客将不再使用，新博客地址：
http://blog.csdn.net/YU_Xianguo/article
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
此前我已经将Cascade DPM的C++代码以及Original DPM的C++编译库发布出来，很多人给我发邮件，希望能得到Original DPM的C++代码，现在我就把这个源代码发布出来。
发布内容：Original DPM，我也称之为完整版DPM，是Pedro. Felzenswalb发明的”deformable part based models for object detection”的程序实现，原始程序和参考文献已经在我另一篇文章cascade DPM – C++ implementation – open source里列出了，这里不再赘述。我的工作是将原始的Matlab代码voc-release5中检测部分用C++实现。检测部分有完整版DPM的，也有star-cascade版的，后者的c++程序之前已发布，这里发布的则是完整版DPM的C++代码。
为什么Original DPM？首先，原始的DPM算法充分体现了基于部件模型的目标检测思想，与P.Felzenswalb关于在语法框架下进行目标表示和检测的思想相应，学习该程序能较好地理解作者的目标检测思想，而级联是更早就有的一项技术，其主要思路是将任务分解成一步步去做，在每一步做完都检查一下有没有继续做的必要，这是一个相当工程的东西，在boost分类器里面就有级联思想，并非P.F教授的首创。第二，与级联算法相比，原始DPM的检测效果更好，一般训练一个级联分类器首先要训练原始DPM模型，然后继续在数据集上挖掘信息（PCA、级联训练）来得到级联模型。级联模型对训练数据集更加依赖，相比之下，原始DPM的推广能力要强得多。
本文发布的C++代码有什么特色？网上应该可以找到多个不同的关于原始DPM的C/C++实现，其中我觉得最好的一个版本便是集成在openCV库中的”latentSVM”算法（其实就是DPM的检测部分），与该代码相比，本文公布的代码更快、效果更好！原因在于：一、我写代码严格参照voc-release5的matlab代码，其计算结果和matlab代码完全一致！（matlab代码中的图像缩放用的resize函数是作者自己编写的，而我的代码是用openCV自带的图像缩放函数——速度更快，这造成了计算结果的些许差异。但是我在调试代码的时候，写过一个函数直接将matlab代码算出来的特征金字塔加载到c++程序里，使用同样的特征金字塔以后，我的代码给出和matlab代码完全一致的结果。）二、我用了近一年时间写这个代码，写代码的同时还在研究原始算法并写自己的硕士论文，通过不断摸索，对算法中很多地方做了优化处理，比如并行化、跳过中间环节的计算等等，直到我认为再也找不到可以减少的计算。
关于代码本身：代码用C++编写，依赖两个公开库——openCV和pthreah线程库。openCV是著名的计算机视觉公开库，不需多说。pthread也是公开的线程库，提供线程管理和互斥锁功能，是linux内置的库，在windows下使用需要下载安装，我在另一篇文章里有说。发布的代码是windows下的visual studio的solution，但程序中没有使用与系统相关的函数，可以很容易移植到linux下使用（实际上我已经在几乎不修改源代码的情况下在Ubuntu下编译并使用过了）。
其它：说一点愿景，关于我为什么公开此代码。说实话，很长一段时间内我都舍不得把该代码给别人，因为它凝聚了我很多心血，不想轻易送人。但是我现在研究方向已经与当初发生了较大变化，与其把这些代码放在我硬盘上最终被遗忘，不如让它们发挥应有的价值。人家P.F教授公开自己的算法代码并获得了VOC官方颁发的终身成就奖，我没人家万分之一牛，但是也希望能为后来者学习提供一些帮助。愿祖国更好！
代码下载：http://yunpan.cn/cLAZYKizwJ5ZH 访问密码 5d36
代码是dpm的检测部分，我已将voc-release5中包含的所有模型文件转化成相应txt文件并上传到网上，需要的话到我的另一篇文章THE FASTEST C++ IMPLEMENTATION OF DPM/LATENTSVM中下载.
代码只包含检测部分，如果你们使用voc-release5的matlab代码训练了自己的模型，可以用如下的m函数将模型保存为txt文件以使用：http://download.csdn.net/detail/j56754gefge/8354899
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
2015年11月4日 部分BUG修改
感谢网友的使用和回馈，让我知道了代码中的部分bug，今天我对到目前为止所发现的2个bug作修改。修改后的代码将放到云盘中替换我原来的压缩文件，大家直接点击上文的链接下载即可。下面对这两个bug做出说明。
第一个bug： 感谢湖南师大的李老师的宝贵意见。
有网友反映，当使用自己训练的模型时，程序运行会报错，通过检查我发现这是因为matlab的模型都有一个bboxpred变量，而自己训练的模型里没有这个变量。其实只要自习看一下matlab代码就能发现，在matlab中，process.m文件时这样写的：
if isfield(model, 'bboxpred')
bboxpred = model.bboxpred;
[ds, bs] = clipboxes(im, ds, bs);
[ds, bs] = bboxpred_get(bboxpred, ds, reduceboxes(model, bs));
else
warning('no bounding box predictor found');
end
end
也就是说当模型中没有bboxpred变量时，直接忽略相应的步骤就行了。我在写程序时没考虑到这一点，所以造成了错误。
第二个bug： 感谢上海交大的吴同学的宝贵意见。
部分网友质疑我的程序计算得正确性，我在测试程序时针对voc自带的行人模型和车辆模型，用随便挑选的图片进行测试，结果是完全一致的，如下图所示
上图是我将matlab计算出的特征金字塔加载到C程序中得出的结果，是完全一致的。
但是有不少人跟我反应他们自己测试时发现结果不一致，说实话，一开始我是不太相信的，直到湖师大的李老师给我发来了他自己训练的模型，然后我检测发现确实不一样，而且出入较大。再次感谢上交的吴同学，他在很短的时间内就发现了程序中的另一个bug，就是我的FastDPM工程中的apply_rules.cpp / apply_rules2.cpp / apply_rules3.cpp，这三个文件中都有这样一句话：
int rootSym2 = model.RuleData[1].sym_nonTerminal[0];
把其中的1改成component就行了。这是我的失误，实在抱歉得很。
修改后的C程序，使用李老师发给我的行人检测模型，分别使用matlab和C来算（matlab的金字塔算出来给c程序用），最终结果如图所示：
当然，检测的阈值我随手给了个-1，可能不太对，导致结果不好看，但是这不影响我们关注的问题——两个程序给出几乎一致的结果。其中微小的差别很可能是因为我的程序中使用的非最大值抑制函数（NMS）的不同导致的，我的NMS函数继承自P'Dollar大神的工具箱，是个效率更高的方法，但是与matlab函数有略微不同。
还有个需要解释的问题，就是大家看我的程序，会发现我有很多同名文件，比如刚才的applyrules我就有3个文件，这3个文件的功能是一样的，其接口也是一样的，它们在程序中可以互换，也就是说你把主程序调用applyrules3函数的地方改成applyrules1应该不会改变结果，但是计算效率略有不同。第一个版本是最基础的版本，有兴趣看我程序的人，可以先从最简单的版本开始。
本博客已经搬家！我已经在CSDN上重新注册了一个博客，该博客将不再使用，新博客地址：
http://blog.csdn.net/YU_Xianguo/article
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------