首页 > 代码库 > opencv之adaboost中的cvCreateMTStumpClassifier函数详解~
opencv之adaboost中的cvCreateMTStumpClassifier函数详解~
cvCreateMTStumpClassifier函数出自opencv中的haartraining程序，在adaboost（cvCreateTreeCascadeClassifier）的强分类器（icvCreateCARTStageClassifier）中被两次调用，该函数用于寻找最优弱分类器，或者说成计算最优haar特征。功能很明确，但是大家都知道的，opencv的代码绝大部分写的让人真心看不懂，这个函数算是haartraining中比较难以看懂的函数，局部变量达到20个之多，童鞋我也是不甘心，不甘心被这小小的函数所击溃，于是擦干泪水，仔细研读，终于恍然大悟，大彻大悟的同时，不忘回报CSDN博客，与朋友们分享。
最优弱分类器的计算过程，网上到处都有介绍，其实就是个穷举的过程，对每个特征多对应的训练样本的特征值进行排序，然后遍历每个特征值作为阈值，根据一定的公式（1.misclass 2.gini 3.entropy 4.least sum of squares）确定最优阈值，进一步确定最优特征，也就是最优弱分类器了。
但是opencv写的比较通用，所以有点让人摸不清头脑，它是这么干的：我先预计算一些haar特征（基本上为600个）的训练样本升序矩阵（trainData），然后先寻找这600个特征中的最优特征，但是总共的特征可能有1万多个，对于新特征那就只能在重新计算训练样本升序矩阵（mat），继续寻找最优特征。可能是程序一直跃跃欲试，想用并行的方法处理，导致了程序的局部变量增多（例如portion的引用）。这是值得大家注意的地方。
另外，上面说到cvCreateMTStumpClassifier函数被两次调用，一次是在cvCreateCARTClassifier中，一次是在icvCreateCARTStageClassifier中，其中，cvCreateCARTClassifier中trainData对应的是一个矩阵，而后者对应的是一个行向量。
注意上面两处，应该就不会被弄晕了，我直接上代码，并且做了比较详细的注释，这样子更加实在一些，希望能够对童鞋们有所帮助！
// 函数功能：计算最优弱分类器
CV_BOOST_IMPL
CvClassifier* cvCreateMTStumpClassifier( CvMat* trainData, // 训练样本特征值
int flags, // 1.按行排列，0.按列排列
CvMat* trainClasses, // weakTrainVals(行向量)
CvMat* /*typeMask*/, // 搞不懂这么写有什么意义
CvMat* missedMeasurementsMask, // 未知，很少用到
CvMat* compIdx, // 特征序列(必须为NULL)(行向量)
CvMat* sampleIdx, // 实际训练样本序列(行向量)
CvMat* weights, // 实际训练样本样本权重(行向量)
CvClassifierTrainParams* trainParams ) // 其它数据&参数
{
CvStumpClassifier* stump = NULL; // 弱分类器（桩）
int m = 0; // 样本总数
int n = 0; // 所有特征个数
uchar* data = http://www.mamicode.com/NULL; // trainData数据指针>
其实，我现在一直认为，寻找弱分类器是一个很easy的过程，根本不需要这么多行代码，这么多局部变量，但是仔细阅读之后发现，opencv还是很牛的，这段代码的通用性比较强大，兼顾了并行操作可能性。可以应对多特征弱分类器，代码结构也是比较爽快的，尤其是其在条件宏、函数指针方面的应用，令人羡慕异常。今后还要继续研读opencv代码，对编程素养的提高，绝对有很大帮助。如果有啥问题，还请不吝赐教，私聊，评论，哪怕直接骂都可以！！！！
opencv之adaboost中的cvCreateMTStumpClassifier函数详解~