TLD之detector

     本文会介绍tld中随机森林的创建方法及随机森林的一些基本概念。

    首先需要知道的是在tld中的随机森林是用于目标检测分类器，它能够在线更新和预测，撇开它的p-n学习的外套，我们来看它的本质，他就是一个改进的adaboost。

   看一下随机森林的概念，随机森林包含很多决策树，每个决策树用特征中的某一组特征建立，这组特征的每个特征代表了决策树某一水平的量度。所以随机森林分类的过程就是对于每个随机产生的决策树分类器，输入特征向量，森林中每棵树对样本进行分类，根据每个树的权重得到最后的分类结果。所有的树训练都是使用同样的参数，但是训练集是不同的，分类器的错误估计采用的是oob（out of bag）的办法 。至于决策树我们都很清楚。那么为什么要用很多决策树来创建随机森林哪？一个很浅显的道理--团结就是力量，评价一个人是好人还是坏人，你多采访一些人总比一个人的独断要客观准确点吧。专业一点说，rf比decision tree在保持了高效性的同时，不会有dt的过拟合问题，相比svm来说识别率要高，特别是多目标识别的场合。

下面这个图就是rf在目标检测方面的示意图：

可以这样需要通过训练建立判别模型，就要有训练数据，要明确标记好这些数据那些是目标的那些是背景的。训练数据的获得是这样的

首先利用有放回的抽样从原始训练样本集中抽取 k 个样本集，且每个样本的样本容量都与原始训练集一样；其次对抽样的 k 个样本集分别建立其对应的决策树模型，得到 k 种分类；利用者k个样本训练k颗决策树，根据这k 种分类对每个测试样本进行投票表决决定其最终分类。这只是一个大概，你要选择什么特征，什么样的目标元素积极决策树的分裂方法就靠你自己了。

  具体到tld的rf，我门来看一下：在第一帧的时候，你用鼠标选定目标，正样本来自于跟踪框内的patch，负样本从框外选，当然，正样本可以warp一下，这个warp就是几何变换，I'=A*I*θ（公式不好打）；经过训练后找到每棵树相应的节点函数和阈值，这个节点函数和阈值就是我们所谓的判别参数，是处理未知样本的依据。如果你选取的决策属性是最大信息增益，那么训练得到的判别参数在对测试样本分类后，就能保证信息增益最大化，这样你获得的样本的确定性就很大。这是目标选取的过程，先写这么多吧。如果你单纯的使用rf对目标某一类别进行分割就更简单了，上面的表述就可以说明，只不过训练样本方面，某一类别的分割样本更广阔一些。

今天就写到这，最后分享给大家一个xue编程的网站，斯坦福大学的课程，还不错：http://v.163.com/movie/2008/7/B/O/M6SIM7VT5_M6SIR3IBO.html