traincascade相关结构体

traincascade相关知识总结

CvCascadeClassifier（级联分类器）

CvCascadeParams cascadeParams;               // 级联分类器参数
cv::Ptr<CvFeatureParams> featureParams;      // 特征参数
cv::Ptr<CvCascadeBoostParams> stageParams;   // 强分类器参数
cv::Ptr<CvFeatureEvaluator> featureEvaluator;// 特征计算
std::vector< cv::Ptr<CvCascadeBoost> > stageClassifiers;  // 强分类器
CvCascadeImageReader imgReader;  // 样本图像读取
int numStages, curNumSamples;    // 强分类器数目，当前样本数目
int numPos, numNeg;              // 正样本数目，负样本数目

CvCascadeParams（级联分类器参数）

static const int defaultStageType = BOOST;                   // 默认级联分类器类型
static const int defaultFeatureType = CvFeatureParams::HAAR; // 默认级联分类器特征
int stageType;     // 强分类器类型
int featureType;   // 特征类型
cv::Size winSize;  // 级联分类器窗口信息

CvFeatureParams（特征参数）

int maxCatCount; // 0 in case of numerical features   // 最大特征数目
int featSize; // 1 in case of simple features (HAAR, LBP) and N_BINS(9)*N_CELLS(4) in case of Dalal's HOG features   // 特征尺寸

CvCascadeBoostParams（强分类器参数）

float minHitRate; // 最小检测率
float maxFalseAlarm;  // 最大误检率

CvFeatureEvaluator（特征计算）

int npos, nneg;     //正样本数目，负样本数目
int numFeatures;    // 特征数目
cv::Size winSize;   // 窗口尺寸
CvFeatureParams *featureParams;   // 特征参数
cv::Mat cls;        // 设置样本类别矩阵

CvCascadeBoost（强分类器）

float threshold;                  // 强分类器阈值
float minHitRate, maxFalseAlarm;  // 强分类器最小检测率，最大误检率

CvBoostTree（弱分类器）使用CvDTree实现（ml模块中的随机树实现）

CvDTreeNode* root;                      // 根节点
CvMat* var_importance;                  // 重要变脸
CvDTreeTrainData* data;                 // 训练数据
CvMat train_data_hdr, responses_hdr;    // 训练数据和响应数据
cv::Mat train_data_mat, responses_mat;  // 训练数据矩阵和响应数据矩阵
int pruned_tree_idx;                    // 树裁剪索引

CvDTreeNode（弱分类器节点信息）

int class_idx;        // 赋给节点的归一化的类别索引（从0到class_count-1)，用在分类树和树集成中
int Tn;               // 在有序排列的树中的树索引。用在剪枝过程中和之后。
double value;         // 赋给节点的值。可以是一个类别标签，也可以是估计函数值

CvDTreeNode* parent;  // 父节点
CvDTreeNode* left;    // 左子树
CvDTreeNode* right;   // 右子树

CvDTreeSplit* split;  // 指向第一个分裂点（初始分裂点）的指针

int sample_count;     // 在训练阶段所用到的样本数目
int depth;            // 节点深度。根节点为0，子节点是父节点深度加1
int* num_valid;       // 合法数目
int offset;
int buf_idx;
double maxlr;

// global pruning data
// 全局裁剪数据
int complexity;
double alpha;
double node_risk, tree_risk, tree_error;

// cross-validation pruning data
// 交叉验证裁剪数据
int* cv_Tn;           // 如果该参数大于1，用叠一交叉验证来进行剪枝
double* cv_node_risk;
double* cv_node_error;// 节点错误率