Cascade Adaboost样本更新

本人技术小白一枚，文章内容为看源码后的理解，若有不足之处，敬请指教。

--------------------------------------------------------------------------------------------------------------------------------------

前段时间看了《机器学习实战》里的Adaboost部分，但书中没有涉及级联，而使用时常常要用到级联来提高分类器效果，所以看了看OpenCV里的这部分源码，对于级联有了点认识，写出来，希望能够帮助一些朋友们。

被Cascade Adaboost的训练问题困扰了好久，今天终于看清了一些。级联训练，其实在内部是样本更新过程。Cascade样本更新，是利用已经训练出的强分类器对训练集中的样本进行预测，被预测为1的样本参与下一级强分类器的样本计数，即预测为1的样本数=numPos+numNeg，但要注意，真正参与训练的样本数要大于numPos+numNeg，因为由前面训练出的强分类器预测为0的值也参与了本级分类器的训练，只不过没有参与numPos+numNeg的计数。

bool CvCascadeClassifier::updateTrainingSet( double minimumAcceptanceRatio, double& acceptanceRatio)
{
    int64 posConsumed = 0, negConsumed = 0;
    imgReader.restart();
    int posCount = fillPassedSamples( 0, numPos, true, 0, posConsumed );//正样本更新
    if( !posCount )
        return false;
    cout << "POS count : consumed   " << posCount << " : " << (int)posConsumed << endl;

    int proNumNeg = cvRound( ( ((double)numNeg) * ((double)posCount) ) / numPos ); 	// 负样本需要与正样本满足一定的比例关系
    int negCount = fillPassedSamples( posCount, proNumNeg, false, minimumAcceptanceRatio, negConsumed );	//负样本更新
    if ( !negCount )
        return false;

    curNumSamples = posCount + negCount;
    acceptanceRatio = negConsumed == 0 ? 0 : ( (double)negCount/(double)(int64)negConsumed );
    cout << "NEG count : acceptanceRatio    " << negCount << " : " << acceptanceRatio << endl;
    return true;
}

int CvCascadeClassifier::fillPassedSamples( int first, int count, bool isPositive, double minimumAcceptanceRatio, int64& consumed )
{
    int getcount = 0;
    Mat img(cascadeParams.winSize, CV_8UC1);
    for( int i = first; i < first + count; i++ )
    {
        for( ; ; )
        {
            if( consumed != 0 && ((double)getcount+1)/(double)(int64)consumed <= minimumAcceptanceRatio )
                return getcount;

            bool isGetImg = isPositive ? imgReader.getPos( img ) :	//从总样本集中抽取正负样本
                                           imgReader.getNeg( img );
            if( !isGetImg )
                return getcount;
            consumed++;

            featureEvaluator->setImage( img, isPositive ? 1 : 0, i );	//样本已经被送到featureEvaluator

            if( predict( i ) == 1.0F )	//只有预测为1时，getcount++，proNumPos或proNumNeg才会更新
            {
                getcount++;
                printf("%s current samples: %d\r", isPositive ? "POS":"NEG", getcount);
                break;
            }
        }
    }
    return getcount;
}