准备工作： 图片什么尺寸需要在train.py文件的开头设置，如WIDTH = 16 HEIGHT = 32。
然后根据自己的数据集情况，在get_hog()函数中设置HOG的参数，尤其注意get_hog()函数中winSize尺寸需要自己指定为具体数字尺寸，不要用变量或者什么加减乘除的。（关于hog参数的设置解释可以参考 https://blog.csdn.net/yangpan011/article/details/78353873），之前识别箭头把winsize设置为图像相同大小是因为箭头占满了整张图片，对于关键特征并没有占满整张图片的时候，需要把winsize设置小一点。
然后再把train.py文件中的类别标签name_and_label = {'lightOn': 0, 'lightOff': 1}修改为自己的类别即可。
1.如果环境需要使用opencv3的svm，先在train.py中设置label，然后运行opencv3下的python3 train.py,之后会得到hog_descriptor.xml和svm.xml两个文件。哪里需要用到svm模型直接用hog_descriptor.xml和svm.xml再新建一个label.txt文件共三个文件即可，这个新建的label.txt文件中的各个类别名称按svm的分类顺序填写。 2.如果环境需要使用opencv2的svm,可以先使用opencv3/下的程序训练模型，然后会得到一个svm.xml的模型文件，该文件中里面有C和gamma，然后把opencv2-train.py中model = SVM(C=1.25, gamma=0.03375)这句话的C和gamma值修改为opencv3训练完成的svm.xml中的C和gamma值，然后再进行使用opencv2进行训练，训练完成会得到hog_descriptor.xml和svm-opencv2.xml两个文件。 3.数据集放在opencv2/或opencv3/下的data文件夹下。 把每个类别文件夹下的图片前缀以类别文件夹名命名（python3 rename.py是用来重命名图片名的），训练时可以不用这么命名，测试时候测试图片也需要这么来命名。

4.测试 如果需要用其他的数据测试训练好的模型，可以把测试图片放入test目录下，文件命名方式为 类别名_*.jpg，比如left_1234.jpg。然后注释掉train()函数使用test()函数进行测试。

if __name__ == '__main__':
    # train()
    test()