上一講我提到對(duì)于算法的初始化工作主要是在tldInit這個(gè)函數(shù)里實(shí)現(xiàn)的。主要分為如下幾大步驟，1）初始化Detector。2）初始化Trajectory。3）訓(xùn)練Detector

1)初始化Detector

其中bb_scan為掃描grid區(qū)域，該函數(shù)輸入為boundingBox，輸出為一系列的RectBox，是根據(jù)boundingBox的大小參數(shù)對(duì)待搜素區(qū)域選擇一系列的box作為備選的跟蹤區(qū)域，box的位置和尺度都有變化，和RectBox相應(yīng)的尺度。但RectBox有6個(gè)參數(shù)，前4個(gè)分別為Rect的左上角坐標(biāo)（x1，y1）和右下角坐標(biāo)（x2，y2）。后兩個(gè)參數(shù)求大神解釋（PS：后來(lái)在fern函數(shù)里找到了解釋，分別為指向?qū)?yīng)尺度特征的指針位置、每一行box的數(shù)量——用在搜索鄰近box）！對(duì)于這個(gè)函數(shù)內(nèi)部我還有一個(gè)疑惑，就是對(duì)ntuples函數(shù)功能的使用，哎，怎奈Matlab語(yǔ)法都不熟悉，只能慢慢啃了，感覺(jué)作者這里就是把RectBox的左上角的所有可能的坐標(biāo)值傳入該函數(shù)，得到左上角坐標(biāo)位置的全部組合（不知道理解對(duì)了沒(méi)）。

接下來(lái)的工作時(shí)特征的初始化，是在tldGenerateFeature函數(shù)里實(shí)現(xiàn)的。這個(gè)函數(shù)相對(duì)獨(dú)立，作者這里為了產(chǎn)生效果較好的隨機(jī)特征真是煞費(fèi)苦心，輸入的參數(shù)有兩個(gè)，一個(gè)是nTREE = 10，一個(gè)是nFEATURE = 13。輸出為nTREE組特征，每組特征為nFEATURE個(gè)點(diǎn)對(duì)，每一個(gè)點(diǎn)對(duì)有4個(gè)參數(shù)，分別兩點(diǎn)坐標(biāo)（x1，y1），（x2，y2），取值范圍為（0~1）其中第一個(gè)點(diǎn)的分辨率為0.1，還不太明白這樣設(shè)計(jì)的原因，待進(jìn)一步分析代碼，有高人指點(diǎn)一下更好。值得注意的是產(chǎn)生的點(diǎn)對(duì)不是橫坐標(biāo)相同x1 = x2，就是縱坐標(biāo)相同y1 = y2。這里用圖片顯示一組特征，線段的兩個(gè)端點(diǎn)

下一步工作為初始化detector。這個(gè)功能是用強(qiáng)大的fern函數(shù)寫(xiě)的，該函數(shù)有多個(gè)功能，根據(jù)傳入?yún)?shù)的標(biāo)志分別可以實(shí)現(xiàn)clear操作、init操作、update操作、evaluate操作、detect操作、get pattern操作。fern函數(shù)是用c寫(xiě)的，混合編程沒(méi)有弄的太明白，還沒(méi)能調(diào)試一下看看，只能看代碼猜。在初始化detector的工作里，用到的是init操作。

2）初始化Trajectory

這部分沒(méi)有什么要說(shuō)明的，都是些零碎的初始化工作，matlab里面對(duì)一些必要的變量開(kāi)辟一些空間和定義一些變量的值。具體分析Trajectory的工作的時(shí)候可以具體再分析

3）訓(xùn)練Detector

首先得到Target，作者注釋說(shuō)該Target只是用來(lái)顯示，有待我后續(xù)驗(yàn)證。得到Target要調(diào)用函數(shù)img_patch，img_patch函數(shù)是獲得一幅圖像中目標(biāo)區(qū)域box的像素信息patch。

接下來(lái)產(chǎn)生正樣本數(shù)據(jù)集，調(diào)用tldGeneratePositiveData。其中第二個(gè)參數(shù)為RectBox和box的重復(fù)區(qū)域比例信息，保存在overlap參數(shù)中，由函數(shù)bb_overlap得到。tldGeneratePositiveData函數(shù)首先根據(jù)overlap的比例信息選出重復(fù)區(qū)域比例大于60%并且前num_closet ?= 10個(gè)的最接近box的RectBox，相當(dāng)于對(duì)RectBox進(jìn)行篩選。并通過(guò)bb_hull函數(shù)得到這些RectBox的最大邊界。接下來(lái)的工作比較重要，要得到Pattern，調(diào)用的函數(shù)為tldGetPattern。初始化的工作就是對(duì)最接近box的RectBox區(qū)域得到其patch，然后調(diào)用tldPatch2Pattern將像素信息轉(zhuǎn)換為Pattern，具體的說(shuō)就是歸一化RectBox對(duì)應(yīng)的patch的size（放縮至patch_size = 15*15），將2維的矩陣變成一維的向量信息，然后將向量信息均值設(shè)為0，調(diào)整為zero mean and unit variance（ZMUV），這個(gè)過(guò)程調(diào)用函數(shù)tldPatch2Pattern實(shí)現(xiàn)。接下來(lái)處理RectBox最大邊界的模糊信息，再次用到img_patch函數(shù)，但這次調(diào)用的函數(shù)有很大的不同，還沒(méi)太理解作者要做什么啊，怎么感覺(jué)還有平移旋轉(zhuǎn)矩陣都出來(lái)了，暈啦（求高人指點(diǎn)）。該函數(shù)最后返回3個(gè)參數(shù)，pX為處理后的RectBox最大邊界處理后的像素信息，pEx最近鄰的RectBox的Pattern，bbP0為最近鄰的RectBox。

然后再產(chǎn)生負(fù)樣本數(shù)據(jù)tldGenerateNegativeData。得到遠(yuǎn)離box（重復(fù)區(qū)域比例小于20%）的num_patches = 100個(gè)Pattern保存到nX中，隨機(jī)選中num_patches = 100個(gè)RectBox得到對(duì)應(yīng)的patch保存到nEx中。這里調(diào)用了fern（5），即該函數(shù)的get pattern操作。

接下來(lái)對(duì)負(fù)樣本進(jìn)行分類，分類到訓(xùn)練集Training Set和驗(yàn)證集Validation Set中去。

接下來(lái)使用Training Set進(jìn)行訓(xùn)練，先調(diào)用fern（2），更新，然后調(diào)用tldTrainNN最近鄰訓(xùn)練數(shù)據(jù)。

接下來(lái)評(píng)估驗(yàn)證集Validation Set的閾值。調(diào)用tldNN驗(yàn)證。

至此，初始化的工作基本完成，限于本人水平有限，只能先對(duì)函數(shù)有個(gè)大概的認(rèn)識(shí)，深深覺(jué)得先要靜下心來(lái)把訓(xùn)練的算法搞清楚，再回過(guò)頭來(lái)再看一編代碼。

總結(jié)

以上是生活随笔為你收集整理的庖丁解牛TLD（三）——算法初始化的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。