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。