這是我的DPM代碼的第三篇博文，最初發表在http://blog.csdn.net/j56754gefge/article/details/40708679，均是我原創文章，他人轉載請註明出處！
C++實現DPM/LatentSVM，完整代碼下載！BUG持續改進！關注DPM實現的網友可以持續關注下該文章！使用代碼發現BUG的網友請不吝及時向我反饋，我把BUG改進後再在這裏更新出來，讓更多的人受益！
-------------------------------------------------------
此前我已經將Cascade DPM的C++代碼以及Original DPM的C++編譯庫發佈出來，很多人給我發郵件，希望能得到Original DPM的C++代碼，現在我就把這個源代碼發佈出來。
發佈內容：Original DPM，我也稱之爲完整版DPM，是Pedro. Felzenswalb發明的”deformable part based models for object detection”的程序實現，原始程序和參考文獻已經在我另一篇博文裏列出了，這裏不再贅述。我的工作是將原始的Matlab代碼voc-release5中檢測部分用C++實現。檢測部分有完整版DPM的，也有star-cascade版的，後者的c++程序之前已發佈，這裏發佈的則是完整版DPM的C++代碼。
爲什麼Original DPM？首先，原始的DPM算法充分體現了基於部件模型的目標檢測思想，與P.Felzenswalb關於在語法框架下進行目標表示和檢測的思想相應，學習該程序能較好地理解作者的目標檢測思想，而級聯是更早就有的一項技術，其主要思路是將任務分解成一步步去做，在每一步做完都檢查一下有沒有繼續做的必要，這是一個相當工程的東西，在boost分類器裏面就有級聯思想，並非P.F教授的首創。第二，與級聯算法相比，原始DPM的檢測效果更好，一般訓練一個級聯分類器首先要訓練原始DPM模型，然後繼續在數據集上挖掘信息（PCA、級聯訓練）來得到級聯模型。級聯模型對訓練數據集更加依賴，相比之下，原始DPM的推廣能力要強得多。
本文發佈的C++代碼有什麼特色？網上應該可以找到多個不同的關於原始DPM的C/C++實現，其中我覺得最好的一個版本便是集成在openCV庫中的”latentSVM”算法（其實就是DPM的檢測部分），與該代碼相比，本文公佈的代碼更快、效果更好！原因在於：一、我寫代碼嚴格參照voc-release5的matlab代碼，其計算結果和matlab代碼完全一致！（matlab代碼中的圖像縮放用的resize函數是作者自己編寫的，而我的代碼是用openCV自帶的圖像縮放函數——速度更快，這造成了計算結果的些許差異。但是我在調試代碼的時候，寫過一個函數直接將matlab代碼算出來的特徵金字塔加載到c++程序裏，使用同樣的特徵金字塔以後，我的代碼給出和matlab代碼完全一致的結果。）二、我用了近一年時間寫這個代碼，寫代碼的同時還在研究原始算法並寫自己的碩士論文，通過不斷摸索，對算法中很多地方做了優化處理，比如並行化、跳過中間環節的計算等等，直到我認爲再也找不到可以減少的計算。
關於代碼本身：代碼用C++編寫，依賴兩個公開庫——openCV和pthreah線程庫。openCV是著名的計算機視覺公開庫，不需多說。pthread也是公開的線程庫，提供線程管理和互斥鎖功能，是linux內置的庫，在windows下使用需要下載安裝。發佈的代碼是windows下的visual studio的solution，但程序中沒有使用與系統相關的函數，可以很容易移植到linux下使用（實際上我已經在幾乎不修改源代碼的情況下在Ubuntu下編譯並使用過了）。
其它：說一點願景，關於我爲什麼公開此代碼。說實話，很長一段時間內我都捨不得把該代碼給別人，因爲它凝聚了我很多心血，不想輕易送人。但是我現在研究方向已經與當初發生了較大變化，與其把這些代碼放在我硬盤上最終被遺忘，不如讓它們發揮應有的價值。人家P.F教授公開自己的算法代碼並獲得了VOC官方頒發的終身成就獎，我沒人家萬分之一牛，但是也希望能爲後來者學習提供一些幫助。願祖國更好！
代碼下載：http://download.csdn.net/detail/yu_xianguo/9669917
代碼是dpm的檢測部分，我已將voc-release5中包含的所有模型文件轉化成相應txt文件並上傳到網上，需要的話到我的另一篇文章（C++實現DPM/LatentSVM---第一篇）中下載.
代碼只包含檢測部分，如果你們使用voc-release5的matlab代碼訓練了自己的模型，可以用如下的m函數將模型保存爲txt文件以使用：http://download.csdn.net/detail/j56754gefge/8354899
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
2015年11月4日 部分BUG修改
感謝網友的使用和回饋，讓我知道了代碼中的部分bug，今天我對到目前爲止所發現的2個bug作修改。修改後的代碼將放到雲盤中替換我原來的壓縮文件，大家直接點擊上文的鏈接下載即可。下面對這兩個bug做出說明。
第一個bug： 感謝湖南師大的李老師的寶貴意見。
有網友反映，當使用自己訓練的模型時，程序運行會報錯，通過檢查我發現這是因爲matlab的模型都有一個bboxpred變量，而自己訓練的模型裏沒有這個變量。其實只要自習看一下matlab代碼就能發現，在matlab中，process.m文件時這樣寫的：
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
也就是說當模型中沒有bboxpred變量時，直接忽略相應的步驟就行了。我在寫程序時沒考慮到這一點，所以造成了錯誤。
第二個bug： 感謝上海交大的吳同學的寶貴意見。
部分網友質疑我的程序計算得正確性，我在測試程序時針對voc自帶的行人模型和車輛模型，用隨便挑選的圖片進行測試，結果是完全一致的，如下圖所示
上圖是我將matlab計算出的特徵金字塔加載到C程序中得出的結果，是完全一致的。
但是有不少人跟我反應他們自己測試時發現結果不一致，說實話，一開始我是不太相信的，直到湖師大的李老師給我發來了他自己訓練的模型，然後我檢測發現確實不一樣，而且出入較大。再次感謝上交的吳同學，他在很短的時間內就發現了程序中的另一個bug，就是我的FastDPM工程中的apply_rules.cpp / apply_rules2.cpp / apply_rules3.cpp，這三個文件中都有這樣一句話：
int rootSym2 = model.RuleData[1].sym_nonTerminal[0];
把其中的1改成component就行了。這是我的失誤，實在抱歉得很。
修改後的C程序，使用李老師發給我的行人檢測模型，分別使用matlab和C來算（matlab的金字塔算出來給c程序用），最終結果如圖所示：
當然，檢測的閾值我隨手給了個-1，可能不太對，導致結果不好看，但是這不影響我們關注的問題——兩個程序給出幾乎一致的結果。其中微小的差別很可能是因爲我的程序中使用的非最大值抑制函數（NMS）的不同導致的，我的NMS函數繼承自P'Dollar大神的工具箱，是個效率更高的方法，但是與matlab函數有略微不同。
還有個需要解釋的問題，就是大家看我的程序，會發現我有很多同名文件，比如剛纔的applyrules我就有3個文件，這3個文件的功能是一樣的，其接口也是一樣的，它們在程序中可以互換，也就是說你把主程序調用applyrules3函數的地方改成applyrules1應該不會改變結果，但是計算效率略有不同。第一個版本是最基礎的版本，有興趣看我程序的人，可以先從最簡單的版本開始。