BFM算法轮廓--基于文章 A Boundary-Fragment-Model for Object Detection

    这篇文章提出根据物体的边缘检测物体类别的方法。根据某一策略提取具有辨别能力的边缘片段（boundary fragments），创建codebook，codebook entries携带着物体距心的信息，使用boosting的方法，将week detector组合成strong detector,或者说是strong “Boundary-Fragment-Model”(BFM)detector。BFM的优点：

    1）BFM检测器能够根据目标的形状而不是表观来进行检测；

    2）对表观信息很接近的目标（bottle，cup）,BFM性能稳定。

  1．  Learning boundary fragments

    1）   训练模型需要的数据

     训练集（training data）：用方框（bounding box）标出目标的图片。训练集中都是正样本。

     验证集（validation data）:训练图片只是被标记是否含有目标，并标出目标的矩心，但是不用框图框出目标。验证集中有正样本，也有负样本。

     训练集用于提取出边缘片段（boundary fragment），验证集用于验证、提取具有辨别能力的边缘片段。

    2）   提取到的边缘片段的综合能力包括：