首页 > 代码库 > 目标检测之hough forest---霍夫森林(Hough Forest)目标检测算法

目标检测之hough forest---霍夫森林(Hough Forest)目标检测算法

 Hough Forest目标检测一种比较时兴的目标检测算法,Juergen Gall在2009的CVPR上提出。

    Hough Forest听上去像hough变换+Random Forest的结合体,其实,不完全是这样的。它更像是decision forest和regression forest的结合体再加上generalized hough transform:森林中每棵树即不是分类树也不是回归树,而是其中的每个节点可能为分类节点或者回归节点。分类节点最小化class-label uncertainty,而回归节点最小化offset uncertainty。然后输出2D的Hough Image(当然可以扩展到3D,4D),在这上面找到局部极值就是目标的参数(position, scale, aspect ration)。

与传统的目标检测器不同,训练样本是P={I,c,d}, I是目标的一个局部图像块(patch),c是它的类标签,d是它到目标中心的偏移(offset)矢量(2D);随机树生长的目的是使节点样本的类别和offset不纯度最小化,分别对应决策节点和回归节点。节点上的分裂准则采用了像素值比较的方法。最后叶子节点记录一些统计量:CL表示正样本比例,DL样本偏移的集合。另外,训练的时候作者也采用类似级联的方式,forest=5trees+5trees+5trees,即第一次5棵树生长完成后,一些分类比较困难的样本再用来训练下一批树。

检测阶段,从图像上提取patch,pass down through every tree in the forest,然后给2D hough image上位置为x的点投票。对图像进行dense sampling,最后输出hough image。

以下是我读论文时的一些标注。

http://www.pamitc.org/cvpr13/program.php

http://blog.csdn.net/gxf1027/article/details/8308655

目标检测之hough forest---霍夫森林(Hough Forest)目标检测算法