庖丁解牛TLD（三）——演算法初始化 .

轉自：http://blog.csdn.net/yang_xian521/article/details/6957732

上一講我提到對於演算法的初始化工作主要是在tldInit這個函數裡實現的。主要分為如下幾大步驟，1）初始化Detector。2）初始化Trajectory。3）訓練Detector

1)初始化Detector

其中bb_scan為掃描grid地區，該函數輸入為boundingBox，輸出為一系列的RectBox，是根據boundingBox的大小參數對待搜素地區選取項目一系列的box作為備選的跟蹤地區，box的位置和尺度都有變化，和RectBox相應的尺度。但RectBox有6個參數，前4個分別為Rect的左上方座標（x1，y1）和右下角座標（x2，y2）。後兩個參數求大神解釋（PS：後來在fern函數裡找到瞭解釋，分別為指向對應尺度特徵的指標位置、每一行box的數量——用在搜尋鄰近box）！對於這個函數內部我還有一個疑惑，就是對ntuples函數功能的使用，哎，怎奈Matlab文法都不熟悉，只能慢慢啃了，感覺作者這裡就是把RectBox的左上方的所有可能的座標值傳入該函數，得到左上方座標位置的全部組合（不知道理解對了沒）。

接下來的工作時特徵的初始化，是在tldGenerateFeature函數裡實現的。這個函數相對獨立，作者這裡為了產生效果較好的隨機特徵真是煞費苦心，輸入的參數有兩個，一個是nTREE = 10，一個是nFEATURE = 13。輸出為nTREE組特徵，每組特徵為nFEATURE個點對，每一個點對有4個參數，分別兩點座標（x1，y1），（x2，y2），取值範圍為（0~1）其中第一個點的解析度為0.1，還不太明白這樣設計的原因，待進一步分析代碼，有高人指點一下更好。值得注意的是產生的點對不是橫座標相同x1
= x2，就是縱座標相同y1 = y2。這裡用圖片顯示一組特徵，線段的兩個端點

下一步工作為初始化detector。這個功能是用強大的fern函數寫的，該函數有多個功能，根據傳入參數的標誌分別可以實現clear操作、init操作、update操作、evaluate操作、detect操作、get pattern操作。fern函數是用c寫的，混合編程沒有弄的太明白，還沒能調試一下看看，只能看代碼猜。在初始化detector的工作裡，用到的是init操作。

2）初始化Trajectory

這部分沒有什麼要說明的，都是些零碎的初始化工作，matlab裡面對一些必要的變數開闢一些空間和定義一些變數的值。具體分析Trajectory的工作的時候可以具體再分析

3）訓練Detector

首先得到Target，作者注釋說該Target只是用來顯示，有待我後續驗證。得到Target要調用函數img_patch，img_patch函數是獲得一幅映像中目的地區域box的像素資訊patch。

接下來產生正樣本資料集，調用tldGeneratePositiveData。其中第二個參數為RectBox和box的重複地區比例資訊，儲存在overlap參數中，由函數bb_overlap得到。tldGeneratePositiveData函數首先根據overlap的比例資訊選出重複地區比例大於60%並且前num_closet  = 10個的最接近box的RectBox，相當於對RectBox進行篩選。並通過bb_hull函數得到這些RectBox的最大邊界。接下來的工作比較重要，要得到Pattern，調用的函數為tldGetPattern。初始化的工作就是對最接近box的RectBox地區得到其patch，然後調用tldPatch2Pattern將像素資訊轉換為Pattern，具體的說就是歸一化RectBox對應的patch的size（放縮至patch_size
= 15*15），將2維的矩陣變成一維的向量資訊，然後將向量資訊均值設為0，調整為zero mean and unit variance（ZMUV），這個程序呼叫函數tldPatch2Pattern實現。接下來處理RectBox最大邊界的模糊資訊，再次用到img_patch函數，但這次調用的函數有很大的不同，還沒太理解作者要做什麼啊，怎麼感覺還有平移旋轉矩陣都出來了，暈啦（求高人指點）。該函數最後返回3個參數，pX為處理後的RectBox最大邊界處理後的像素資訊，pEx最近鄰的RectBox的Pattern，bbP0為最近鄰的RectBox。

然後再產生負樣本資料tldGenerateNegativeData。得到遠離box（重複地區比例小於20%）的num_patches = 100個Pattern儲存到nX中，隨機選中num_patches = 100個RectBox得到對應的patch儲存到nEx中。這裡調用了fern（5），即該函數的get pattern操作。

接下來對負樣本進行分類，分類到訓練集Training Set和驗證集Validation Set中去。

接下來使用Training Set進行訓練，先調用fern（2），更新，然後調用tldTrainNN最近鄰訓練資料。

接下來評估驗證集Validation Set的閾值。調用tldNN驗證。

 

至此，初始化的工作基本完成，限於本人水平有限，只能先對函數有個大概的認識，深深覺得先要靜下心來把訓練的演算法搞清楚，再回過頭來再看一編代碼。