OPENCV ADABOOST人脸检测训练程序阅读笔记(LBP特征)
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
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- 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->quality ciii)初始化一个bestSplit,将finder.bestSplit拷贝到