转自：http://blog.youkuaiyun.com/lanxuecc/article/details/52688605
opencv中adaboost训练弱分类器的主体代码是函数cvCreateCARTClassifier，这个函数通过大致逻辑是：
1、通过调用训练结点函数cvCreateMTStumpClassifier来创建根结点
2、在要求弱分类器特征不只一个的情况下，通过分裂结点来增加新的特征形成CART树的弱分类器。
源码及注释如下
CV_BOOST_IMPL
CvClassifier* cvCreateCARTClassifier( CvMat* trainData, //预计算的训练样本每个特征的值矩阵
int flags, //1表示样本按行排列，0表示样本按行排列
CvMat* trainClasses, //训练样本类别向量,如果是正样本标识为1，负样本标识为-1
CvMat* typeMask, //为了便于回调函数而统一格式的变量
CvMat* missedMeasurementsMask, //同上
CvMat* compIdx, //特征序列向量
CvMat* sampleIdx, //样本序列向量
CvMat* weights, //样本权值向量
CvClassifierTrainParams* trainParams ) //传入一些弱分类器所需的参数比如需要几个特征，和一些需用的分类函数指针
{
CvCARTClassifier* cart = NULL;//CART树状弱分类器
size_t datasize = 0;
int count = 0; // CART中的节点数目
int i = 0;
int j = 0;
CvCARTNode* intnode = NULL; // CART节点
CvCARTNode* list = NULL; // 候选节点链表
int listcount = 0; // 候选节点个数
CvMat* lidx = NULL; // 左子节点样本序列
CvMat* ridx = NULL; // 右子节点样本序列
float maxerrdrop = 0.0F;
int idx = 0;
//定义节点分裂函数指针 这个函数指针指向的是函数icvSplitIndicesCallback
void (*splitIdxCallback)( int compidx, float threshold,
CvMat* idx, CvMat** left, CvMat** right,
void* userdata );
void* userdata;
//设置非叶子节点个数
count = ((CvCARTTrainParams*) trainParams)->count; /*弱分类器的特征个数,一般都只有一个*/
assert( count > 0 );
/*分配一个弱分类器的内存空间*/
datasize = sizeof( *cart ) + (sizeof( float ) + 3 * sizeof( int )) * count +
sizeof( float ) * (count + 1);
cart = (CvCARTClassifier*) cvAlloc( datasize );
memset( cart, 0, datasize );
/*初始化弱分类器*/
cart->count = count;
cart->eval = cvEvalCARTClassifier; /*弱分类器使用函数*/
cart->save = NULL;
cart->release = cvReleaseCARTClassifier; /*弱分类器内存释放函数 */
cart->compidx = (int*) (cart + 1); //非叶子节点的最优Haar特征序号
cart->threshold = (float*) (cart->compidx + count); //非叶子节点的最优Haar特征阈值
cart->left = (int*) (cart->threshold + count); //左子节点序号，包含叶子节点序号
cart->right = (int*) (cart->left + count); //右子节点序号，包含叶子节点序号
cart->val = (float*) (cart->right + count); //叶子节点输出置信度数组
datasize = sizeof( CvCARTNode ) * (count + count);
intnode = (CvCARTNode*) cvAlloc( datasize );
memset( intnode, 0, datasize );
list = (CvCARTNode*) (intnode + count);
//节点分裂函数指针，一般为icvSplitIndicesCallback函数
splitIdxCallback = ((CvCARTTrainParams*) trainParams)->splitIdx;
userdata = ((CvCARTTrainParams*) trainParams)->userdata;
if( splitIdxCallback == NULL )//如果没有用默认的节点分裂函数
{
splitIdxCallback = ( CV_IS_ROW_SAMPLE( flags ) )
? icvDefaultSplitIdx_R : icvDefaultSplitIdx_C;//R代表样本按行排列，C代表样本按列排列
userdata = trainData;
}
/* create root of the tree */
//创建CART弱分类器的根节点,如果该弱分类器只有一个特征，那这里就创建了弱分类器，不用后面作结点分裂
//stumpConstructor是一个函数指针，他指向cvCreateMTStumpClassifier函数，所以这里调用的是这个函数
intnode[0].sampleIdx = sampleIdx;
intnode[0].stump = (CvStumpClassifier*)
((CvCARTTrainParams*) trainParams)->stumpConstructor( trainData, flags,
trainClasses, typeMask, missedMeasurementsMask, compIdx, sampleIdx, weights,
((CvCARTTrainParams*) trainParams)->stumpTrainParams );
cart->left[0] = cart->right[0] = 0;
/* build tree */
//创建树状弱分类器，lerror或者rerror不为0代表着当前节点为非叶子节点
listcount = 0;
for( i = 1; i < count; i++ )/*当弱分类器只有一个特征也就是只一个非叶子结点时，不会走入这个分支*/
{
/* split last added node */
/*这个函数的作用就是：：：基于当前结点的阈值将样本分类,
分类为负样本的样本存储在lidx中,分类为正样本的样本存储在ridx,
后续从当前结点左分支分裂时，用lidx样本来训练一个结点,
从当前结点右分支分裂时，用ridx样本来训练一个结点*/
splitIdxCallback( intnode[i-1].stump->compidx, intnode[i-1].stump->threshold,
intnode[i-1].sampleIdx, &lidx, &ridx, userdata );
//为分裂之后的非叶子节点计算最优特征
if( intnode[i-1].stump->lerror != 0.0F )
{
//小于阈值的样本集合,就是当前结点的左分支结点的训练
list[listcount].sampleIdx = lidx;
//基于新样本集合寻找最优特征,重复调用训练桩的函数来训练
list[listcount].stump = (CvStumpClassifier*)
((CvCARTTrainParams*) trainParams)->stumpConstructor( trainData, flags,
trainClasses, typeMask, missedMeasurementsMask, compIdx,
list[listcount].sampleIdx,
weights, ((CvCARTTrainParams*) trainParams)->stumpTrainParams );
//计算信息增益(这里是error的下降程度)
list[listcount].errdrop = intnode[i-1].stump->lerror
- (list[listcount].stump->lerror + list[listcount].stump->rerror);
list[listcount].leftflag = 1;
list[listcount].parent = i-1;
listcount++;
}
else
{
cvReleaseMat( &lidx );
}
//同上，左分支换成右分支，偏向于右分支
if( intnode[i-1].stump->rerror != 0.0F )
{
list[listcount].sampleIdx = ridx;
list[listcount].stump = (CvStumpClassifier*)
((CvCARTTrainParams*) trainParams)->stumpConstructor( trainData, flags,
trainClasses, typeMask, missedMeasurementsMask, compIdx,
list[listcount].sampleIdx,
weights, ((CvCARTTrainParams*) trainParams)->stumpTrainParams );
list[listcount].errdrop = intnode[i-1].stump->rerror
- (list[listcount].stump->lerror + list[listcount].stump->rerror);
list[listcount].leftflag = 0;//标识训练出来的节点是当前结点左分支结点还是右还是右分支结点
list[listcount].parent = i-1;
listcount++;
}
else
{
cvReleaseMat( &ridx );
}
if( listcount == 0 ) break;
/*find the best node to be added to the tree*/
/*找到已经分裂得到的所有结点中，使分类误差下降最快的那个结点，
把它加入到CART树中去，构成弱分类器的一部分*/
idx = 0;
maxerrdrop = list[idx].errdrop;
for( j = 1; j < listcount; j++ )
{
if( list[j].errdrop > maxerrdrop )
{
idx = j;
maxerrdrop = list[j].errdrop;
}
}
//确定误差下降最快的结点应该加入到CART树中的位置
intnode[i] = list[idx];
if( list[idx].leftflag )
{
cart->left[list[idx].parent] = i;
}
else
{
cart->right[list[idx].parent] = i;
}
//将被选中放入CART树的结点删除
if( idx != (listcount - 1) )
{
list[idx] = list[listcount - 1];
}
listcount--;
}
/* fill <cart> fields */
// 这段代码用于确定树中节点最优特征序号、阈值与叶子节点序号和输出置信度
// left与right大于等于0，为0代表叶子节点
// 就算CART中只有一个节点，仍旧需要设置叶子节点
j = 0;
cart->count = 0;
for( i = 0; i < count && (intnode[i].stump != NULL); i++ )
{
cart->count++;
cart->compidx[i] = intnode[i].stump->compidx;
cart->threshold[i] = intnode[i].stump->threshold;
/* leaves */
if( cart->left[i] <= 0 )//确定叶子序号与叶子的输出置信度
{
cart->left[i] = -j;
cart->val[j] = intnode[i].stump->left;//这个left是float值，不是CVMat*
j++;
}
if( cart->right[i] <= 0 )
{
cart->right[i] = -j;
cart->val[j] = intnode[i].stump->right;
j++;
}
}
/* CLEAN UP *//*一些临时用的内存释放*/
for( i = 0; i < count && (intnode[i].stump != NULL); i++ )
{
intnode[i].stump->release( (CvClassifier**) &(intnode[i].stump) );
if( i != 0 )
{
cvReleaseMat( &(intnode[i].sampleIdx) );
}
}
for( i = 0; i < listcount; i++ )
{
list[i].stump->release( (CvClassifier**) &(list[i].stump) );
cvReleaseMat( &(list[i].sampleIdx) );
}
cvFree( &intnode );
return (CvClassifier*) cart; /*返回创建的弱分类器*/
}
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
