步骤一，首先要使voc-release4.01目标检測部分的代码在windows系统下跑起来：
參考在window下执行DPM(deformable part models) -（检測demo部分）
步骤二，把训练部分代码跑通，在VOC数据集上进行測试，例如以下文：
在windows下执行Felzenszwalb的Deformable Part Model(DPM)源代码voc-release3.1来训练自己的模型
可是当中的learn.cpp代码有误。当中319行check(argc == 8)通只是，由于matlab中传入的參数多于8个，故learn.cpp文件源代码參考：
在windows下训练models of Object Detection with Discriminatively Trained Part Based Models
步骤三，再之后就是使之能在其它的数据集上训练模型，比方INRIA人体数据集。
这一步中主要是改动pascal_data.m文件。这个文件的作用就是读取标注。为训练准备数据。此函数会返回两个数组，pos[]和neg[]，
pos[]中是正样本信息，格式为：[imagePath x1 y1 x2 y2 ]；
neg[]中是负样本信息，格式为：[imagePath] 。
先读取INRIA数据集的标注。保存为以下的格式：（统一存入一个txt文档如“InriaPersonPos.txt”）
然后在pascal_data.m中读取此文件，依次将标注信息保存到pos[]数组中，注意要将图片路径补全为绝对路径。
pos = []; % 存储正样本目标信息的数组，每一个元素是一个结构。{im, x1, y1, x2, y2}
numpos = 0; % 正样本目标个数(一个图片中可能含有多个正样本目标)
% InriaPersonPos.txt是从Inria人体数据集获得的50个正样本的标注文件，格式为[x1 y1 x2 y2 RelativePath]
[a,b,c,d,p] = textread('InriaPersonPos.txt','%d %d %d %d %s'); % 注意：读取后p的类型时50*1的cell类型
% 遍历训练图片文件名称数组ids
for i = 1:length(a);
if mod(i,10)==0
fprintf('%s: parsing positives: %d/%d
', cls, i, length(a));
end;
numpos = numpos+1; % 正样本目标个数
pos(numpos).im = [VOCopts.datadir p{numpos}]; % 引用cell单元时要用{},引用矩阵单元时用()
pos(numpos).x1 = a(numpos);
pos(numpos).y1 = b(numpos);
pos(numpos).x2 = c(numpos);
pos(numpos).y2 = d(numpos);
pos(numpos).flip = true; % 这个flip项必须有，决定是否须要增加正例的对称图像，能够选false
pos(numpos).trunc = 0;
endpos(numpos).im 中我也在相对路径前加了VOCopts的数据集文件夹datadir是由于我将INRIA数据集放在VOCdevkit文件夹下了。
这里要特别注意的是，不须要提前从INRIA数据集中依据标注文件手动裁出人体目标，而是将标注信息和正样本原图都告诉DPM算法，它自己主动会进行缩放、剪裁处理。对于有的标注信息超过图像边界的。也没关系。DPM中也会自己处理。
至于负样本就无所谓了。反正都是从不含人体的原图上随机裁取，还用VOC数据集中的即可。
以下展示几个训练的模型，以及检測结果
（1）50个INRIA正样本目标，300个VOC负样本目标。单组件(component)模型，部件个数为6。
模型可视化图例如以下：
没想到仅用50个正样本，训练出的模型居然非常不错。这也跟INRIA人体数据集的质量非常高有关。
检測结果例如以下：
在500个VOC測试图上获得的平均精度AP=0.091
（2）537个Spinello RGBD数据集中的正样本目标，300个VOC负样本目标，单组件。6个部件。
模型可视化例如以下：
因为这537个正样本目标来自对单个人的跟踪结果，所以样本不太好。例如以下：
所以训练出来的模型根本检測不到不论什么人体目标。
（3）2396个Spinello RGBD数据集中的正样本目标，300个VOC负样本目标。单组件，6个部件。
模型可视化例如以下：
这次的数据源和（2）中同样，仅仅只是这次正样本取自数据集中的全部34个人的跟踪结果。训练了一个晚上，结果还行。
检測结果例如以下：
在500个VOC測试图上获得的平均精度AP=0.091。带包围盒预測的精度-召回率(precision-recall)曲线例如以下：
