TLD之detector .

本文轉自http://blog.csdn.net/zwlq1314521/article/details/8142020

 本文會介紹tld中隨機森林的建立方法及隨機森林的一些基本概念。

    首先需要知道的是在tld中的隨機森林是用於目標檢測分類器，它能夠線上更新和預測，撇開它的p-n學習的外套，我們來看它的本質，他就是一個改進的adaboost。

   看一下隨機森林的概念，隨機森林包含很多決策樹，每個決策樹用特徵中的某一組特徵建立，這組特徵的每個特徵代表了決策樹某一水平的量度。所以隨機森林分類的過程就是對於每個隨機產生的決策樹分類器，輸入特徵向量，森林中每棵樹對樣本進行分類，根據每個樹的權重得到最後的分類結果。所有的樹訓練都是使用同樣的參數，但是訓練集是不同的，分類器的錯誤估計採用的是oob（out of bag）的辦法 。至於決策樹我們都很清楚。那麼為什麼要用很多決策樹來建立隨機森林哪？一個很淺顯的道理--團結就是力量，評價一個人是好人還是壞人，你多採訪一些人總比一個人的獨斷要客觀準確點吧。專業一點說，rf比decision
tree在保持了高效性的同時，不會有dt的過擬合問題，相比svm來說識別率要高，特別是多目標識別的場合。

下面這個圖就是rf在目標檢測方面的：

可以這樣需要通過訓練建立判別模型，就要有訓練資料，要明確標記好這些資料那些是目標的那些是背景的。訓練資料的獲得是這樣的

首先利用有放回的抽樣從原始訓練樣本集中抽取 k 個樣本集，且每個樣本的樣本容量都與原始訓練集一樣；其次對抽樣的 k 個樣本集分別建立其對應的決策樹模型，得到 k 種分類；利用者k個樣本訓練k顆決策樹，根據這k 種分類對每個測試樣本進行投票表決決定其最終分類。這隻是一個大概，你要選擇什麼特徵，什麼樣的目標元素積極決策樹的分裂方法就靠你自己了。

  具體到tld的rf，我門來看一下：在第一幀的時候，你用滑鼠選定目標，正樣本來自於跟蹤框內的patch，負樣本從框外選，當然，正樣本可以warp一下，這個warp就是幾何變換，I'=A*I*θ（公式不好打）；經過訓練後找到每棵樹相應的節點函數和閾值，這個節點函數和閾值就是我們所謂的判別參數，是處理未知樣本的依據。如果你選取的決策屬性是最大資訊增益，那麼訓練得到的判別參數在對測試樣本分類後，就能保證資訊增益最大化，這樣你獲得的樣本的確定性就很大。這是目標選取的過程，先寫這麼多吧。如果你單純的使用rf對目標某一類別進行分割就更簡單了，上面的表述就可以說明，只不過訓練樣本方面，某一類別的分割樣本更廣闊一些。

今天就寫到這，最後分享給大家一個xue編程的網站，斯坦福大學的課程，還不錯：http://v.163.com/movie/2008/7/B/O/M6SIM7VT5_M6SIR3IBO.html