【译】用boosting构建简单的目标分类器

用boosting构建简单的目标分类器

原文

boosting提供了一个简单的框架，用来构建鲁棒性的目标检测算法。这里提供了必要的函数来实现它：100% MATLAB实现，作为教学工具希望让它简单易得。当然，用作实时应用还远远不够。

配置

下载数据集

下载LabelMe工具箱

解压并修改initpath.m中的路径

修改parameters.m中images和annotations的路径

函数说明

初始化

initpath.m - 添加必要的path。运行前务必调用它。

paameters.m - 包含众多用于配置分类器和数据集的参数。

Boosting工具

demoGentleBoost.m - GentleBoost的一个简单的例子，在二维空间使用stumps(决策桩)作为弱分类器

脚本

createDatabases.m - 从LabelMe数据集创建训练和测试数据

createDictinary.m - 从目标对象中创建一个滤波模版字典(??不理解，源码看不懂)

computeFeatures.m - 预先计算所有图像的特征并存储。正样本是目标外界矩形框crop出来的，负样本是从背景中稀疏取得的

trainDetector.m - 从LabelMe数据集创建训练和测试数据

runDetector.m - 在测试图像上运行检测器

特征和弱分类器

convCrossConv.m - 弱分类器：用一个局部的模版。。。（不懂。。。不理解作者原文的英文都是什么确切含义）

检测器

singleScaleBoostedDetector.m - 在测试图的单尺度上运行强分类器，算出bboxes和scores

LabelMe工具箱

LabelMe - 包含了用于操作数据集的工具函数

例子

配置

首先运行initpath.m并修改parameters.m中的文件夹路径

Boosting

先运行demoGentleBoost.m

此Demo会先让你手动创建二维样本散点（鼠标左键：正样本；鼠标右键：负样本）。由于弱分类器是决策桩，它只能区分平行于坐标轴的数据。如果你把弱分类器设定为带方向的直线，那么结果中两个类别的边界将会很有趣。

然而，决策桩(stumps)在目标检测中很常用，因为它们能被用来有效地做特征选择。此Demo也会显示决策桩的缺陷(限制)。在目标检测中通过使用非常多的特征，能够补偿其中的一些缺陷。



数据库的大概模样

下面是从LabelMe数据库中随机选取的一些图像。包含car(侧视)和scene(前视)，它们都经过了尺度归一化处理。createDatabases.m展示了这些数据是如何被创建的。

如果你下载了整个数据集，那么第一件事就是修改parameters.m中的路径。然后运行createDatabase.m来读取annotation文件并创建一个结构体（后续用于查询工具）。关于这个查询工具是如何工作的，详情请看LabelMe Toolbox

运行检测器

训练自己的分类器之前，尝试运行runDetector.m。如果一切顺利，输出类似下图：

例如，训练出来的分类器在汽车侧视图上的检测结果：

训练自己的分类器

要训练自己的分类器，需要准备自己的训练和测试数据。如果你想从LabelMe数据集里选取图像用作训练和测试，那你只需要修改parameters.m中的object的名字。同时，在parameters.m中你还可以修改训练参数，比如训练图像数量，模版(patch)尺寸，目标尺寸(scale of object)，负样本数量等。

createDictinary.m会创建“模版词汇表”(??vocabulary of patches)，用于特征计算

computeFeatures.m会预先为所有训练图像计算特征

trainDetector.m会使用Gentle Boosting[1]创建分类器

这里面每一个程序都会增加信息到data这个结构体变量，比如预计算的特征，用于训练的图像列表，特征字典，分类器参数

最后，使用runDetector.m，你可以运行新训练的分类器。

多尺度分类器

为了构造多尺度分类器，你需要逐尺度处理，比如：

scalingStep = 0.8;
for scale = 1:Nscales
   img = imresize(img, scalingStep, 'bilinear');
   [Score{scale}, boundingBox{scale}, boxScores{scale}] = singleScaleBoostedDetector(img, data);
end

参考文献

[1] Friedman, J. H., Hastie, T. and Tibshirani, R., "Additive Logistic Regression: a Statistical View of Boosting." (Aug. 1998)

[2] A. Torralba, K. P. Murphy and W. T. Freeman. (2004). "Sharing features: efficient boosting procedures for multiclass object detection". Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). pp 762- 769.