OPENCV ADABOOST人脸检测训练程序阅读笔记(LBP特征)

1、训练程序整体流程

（1）读输入参数并打印相关信息

（2）进入训练程序最外层入口classifier.train

1）读正负样本，将正负样本放入imgLiast中，先读正样本，后读负样本

2）load(dirName)判断之前是否有已训练好的xml文件，若有，不在重新训练该stage的xml文件，没有返回false，初始化参数

3）计算requiredLeafFARate=pow(maxFalseAlarm,numStages)/max_depth,该参数是stage停止条件（利用训练样本集来计算tempLeafFARate，若

tempLeafFARate小于这一参数，则退出stage训练循环）；

4）Stage训练循环

5）更新训练样本集，计算tempLeafFARate（负样本被预测为正样本的个数除以读取负样本的次数，第一次没有训练之前，这个比值为1，因为没训练之前，

所有负样本都被预测成了正样本，当第一层训练好以后，负样本采集时会先

用第一层的分类器预测一次，若能分类，则不选用，选用负样本的数目是固

定的，但选用这么多负样本总共要选的次数会随着层数的增多而加大，因为

层数越大，分类器的分类能力也要求越大，说需要的样本就是前面分类器所

不恩呢该识别的，故在采集时也比较困难。）

6）判断stage是否退出训练，若tempLeafFARate

7）强训练器训练入口tempStage->train（）

a.建立训练数据data=new CvCascadeBoostTrainData（主要是一些参

数的设置，还有特征值的计算）

b.初始化样本权重update_weights(0);

c.弱分类器训练循环

i）tree->train—》do_train

ai)根节点的初始root=data->subsample_data(_subsample_idx);

（主要是对根节点的一些参数进行初始化，parent0，count1，

split0，value0，class_idx0，maxlr0，left=right=0，等等）

bi)CV_CALL(try_split_node(root))，根据根节点计算整颗数的各

节点的参数配置

aii)calc_node_value(node);计算节点的回归值，类似于分类

投票值sum(w*class_lable),正样本的class_lable取，负样

本的class_lable取-1；计算节点的风险值node_risk，node

risk is the sum of squared errors:sum_i((Y_i-

)^2)

bii)判断节点是否可以分裂（判断依据：样本值和设计的节

点最大深度）；再利用node_risk与regression_accuracy，

如果这个节点的所有训练样本的节点估计值的绝对差

小于这个参数，节点不再进行分裂

cii)找出最佳分裂best_split=find_best_split(node);

aiii)定义DTreeBestSplitFinder finder(this,node);

biii)parallel_reduce(cv::BlockedRange(0,data->var_count),

finder)；此时调用DTreeBestSplitFinder类的操作符

DTreeBestSplitFinder::operator()(const

BlockedRange&range)

aiv)遍历所有特征vi=vi1;vi

biv)res=tree->find_split_cat_reg()得到特征为split->var_idx=vi的最佳分裂的质量

split->quality(split->quality越大越好)

av)将特征为vi所有样本的特征值返回到

cat_labels

bv)计算每个特征值取值不权值和和响应和，

例如特征值为，则将所有特征值列表中特

征值为的样本权值相加，LBP的特征值

范围是0~255，故有256个category

cv)计算每个category的平均响应值，即将每

个category的响应和除以每个category的

样本权值和

dv)icvSortDblPtr(sum_ptr,mi,0);把256个

值进行升序排序，注意sum_ptr里存的是

sum[i]的地址，这里排序的依据是特征值

还是按照每个特征值的平均响应来排

序？？？个人感觉是按特征值的平均响

应来排序

fv)将每个特征值的平均响应值乘以该特征

值的总权值得到每个特征值的总响应

gv)遍历subset_i=0;subset_i

subset_i++

avi)计算索引是subset_i在排序前的idx

bvi)获取索引idx对应的样本总权重

cvi)获取索引idx对应的样本总响应

dvi)以subset_i为分裂点，计算分裂质量

（sumL*sumL）/weightL+

（sumR*sumR）/weightR

fvi)若最佳分裂质量小于这个质量，则更

新最佳分裂质量

hv)经过训练得到最佳分裂点和最佳分裂质量，将遍历得到的值更新到split结构体各参数。

Iv)得到该特征对应的split->subset，for(i=0;i

<=best_subset;i++)

avi)计算索引是i在排序前的idx

bvi)split->subset[idx>>5]|=1<<(idx&

31);subset[8]，每个数组里存放32位

的整数，整数值由idx决定，idx也就

是特征值大小

civ)若bestSplit->qualityquality，将split拷贝到bestSplit

ciii)初始化一个bestSplit，将finder.bestSplit拷贝到