【ACF学习】ACF训练检测模型

ACF在行人检测取得了不错的成绩，适合刚性目标或者准刚性目标的训练

1，数据量说明

本文准备了12W+正样本，以竖直手掌为主，有部分样本存在轻微的旋转

负样本7k+（不够，训练一级分类器就停止了，后面增加到2W+）

2，熟悉acfTrain

输入 opts=acfTrain returns all default options

opts = 
      pPyramid: [1x1 struct]
       filters: []
       modelDs: [100 41]
    modelDsPad: [128 64]
          pNms: [1x1 struct]
        stride: 4
       cascThr: -1
       cascCal: 0.0050
         nWeak: 128
        pBoost: [1x1 struct]
          seed: 0
          name: ''
      posGtDir: ''
     posImgDir: ''
     negImgDir: ''
     posWinDir: ''
     negWinDir: ''
       imreadf: @imread
       imreadp: {}
         pLoad: [1x1 struct]
          nPos: Inf
          nNeg: 5000
       nPerNeg: 25
       nAccNeg: 10000
       pJitter: {}
      winsSave: 0

在acfTrain的注释中说明参数的含义

1）pPyramid指定通道特征，详细查看chnsCompute.m and chnsPyramid.m。

通道可能被一系列filters的卷积，用于去除局部关联(查看NIPS14 on LDCF)，用于提高精度但是降低速度
如果filters=[wFilter, nFilter]，这些都是自动计算的
模型维度modelDs(默认为[100, 41])定义窗口的高度和宽度，padded维度modelDsPad(默认为[128, 64])确定围绕目标边缘拓展的维度，这样有利于分类。
例如对于100个像素高的行人，128像素高的区域用于决策
pNms控制极大值抑制(bbNms.m)，stride控制窗口步长，cascThr和cascCal是constant soft cascades的阈值和标度
通常cascThr设置为-1，调整cascCal直到达到期望的召回率
训练在采样bootstrapping和分类Adaboost Classifier之间切换
nWeak决定训练级数和每级中tree的个数，例如nWeak=[32 128 512 2048]确定四级，最后一级有2048棵树
pBoost指定Adaboost的参数，pBoost.pTree是决策树的参数(参考adaBoostTrain.m)
seed是随机种子使得训练结果reproducible，name指定detector和log文件的路径

2）训练数据可以是多种形式的，正样本可以使用预先裁剪的窗口目录(posWinDir)或者整幅图像(posImgDir)+Groundtruth目录(posGtDir)

负样本可以使用预先裁剪的窗口目录(negWinDir)或者使用整幅并不包含任何正样本的图像目录(negImgDir)

如果没有指定negWinDir也没有指定negImgDir的话，负样本使用posImgDir中采集
对于预先裁剪的图像，尺寸最小为modelDsPad(默认为[128, 64])，目标位于裁剪图像中心不小于modelDs(默认为[100, 41])
imreadf用于指定加载图像的常规函数(默认为imread函数)，imreadp为imreadf的额外参数
当从整幅图像采集时，pLoad指定groundtruth是如何被加载的，并且将正样本集合进行转换(查看bbGt>bbLoad)
nPos控制训练时总正样本(如果nPos=inf，正样本数量受限于训练集，默认nPos=inf)
nNeg控制总负样本数量(默认为5000)，nPerNeg(默认为25)限制每个图像上采集的负样本数量，nAccNeg(默认10000)控制最大负样本总数，在bootstrapping过程中累计计数
pJitter用于扰动正样本，这样可以增加正样本数量(默认flip=1)
winsSave如果为true的话，裁剪的窗口以mat文件形式保存到disk中(默认为0)