OpenCV 人脸检测自学(1)

（本文是在别处看到了，留着以后用，那个网站老弹广告）

最近在了解人脸检测部分。作为一名新手，对所谓的机器学习一窍不通，尽管OpenCV里提供了这部分的代码，还是看得一头雾水。所以先从如何使用OpenCV里的程序和入手来入门。 发到blog里来作为备份，欢迎网友指出我理解的不对的地方。

前半部分讲的是如何使用OpenCV里现有的程序，从而实现在有了测试DB的情况下可以输出训练的结果。主要是复制黏贴的[1].

后半部讲的是我对运行程序的时候出的Debug信息的理解。（不知道其它像我一样的新手是否也有这样的需求）

第一步 采集样本
       1、 将正负样本分别放在两个不同的文件夹下面
        分别取名pos和neg，其中pos用来存放正样本图像，neg用来存放负样本
  
注意事项：1、正样本要统一切成24*24像素（或者其他，以下假设为长24，宽24的情况）的格式，建议保存成灰度图，节省空间
                   2、正样本的数目越多，训练的时间也将越长，训练出来的效果也就越好
                   3、负样本的数量想对于正样本一定要足够的多，很多朋友在训练的时候，往往出现了CPU占用率达到了100%，但是训练只是停留在一个分类器长达几小时没有相应，问题出现在取负样本的那个函数icvGetHaarTrainingDataFromBG中; 当剩下所有的negtive样本在临时的cascade Classifier中,evaluate的结果都是0（也就是拒绝了），随机取样本的数目到几百万都是找不到误检测的neg样本了，因而没法跳出循环
       2、建立正负样本的说明文件
                 在cmd下面进入pos目录，输入  dir /b > pos.txt
 

这个时候会在pos文件加下面生成一个pos.txt文件，打开pos.txt

 

我们对它进行如下编辑：
（1）、将BMP 替换成为 BMP 1 0 0 24 24
注意：1代表此图片出现的目标个数 后面的 0 0 24 24代表目标矩形框（0,0)到(24,24)，用户可以根据自身需要调整数值
（2）、删除文本中最后一行的“pos.txt”

 

2、对负样本进行编辑
在CMD下输入 dir /b > neg.txt

同理，打开neg目录下的neg.txt文件，只需要删除最后一行的neg.txt这一句
注意：1、负样本说明文件不能含有目标物体
2、负样本图像尺寸不受到限制，但是尺寸越大，训练所用的时间越长，
3、负样本图像可以是灰度图，也可以不是，笔者建议使用灰度图，这样处理起来可能更有效率
4、负样本图像一定不要重复，增大负样本图像的差异性，可以增加分类器的使用范围，笔者建议可以使用网上的素材库，将1000多张不含目标的图片灰度处理后用来训练，效果更佳
二、使用opencv_createsamples.exe创立样本VEC文件
1、首先我们将要用的的2个程序opencv_createsamples.exe和opencv_haartraining.exe拷到根目录下

在CMD下输入如下命令：
opencv_createsamples.exe -vec pos.vec -info pos\pos.txt -bg neg\neg.txt -w 20-h 20 -num 142 

文档里说生成的 vec文件里包含正样本数目，宽高，以及所有样本图像数据。
以上参数的含义如下：
－vec <vec_file_name>
训练好的正样本的输出文件名。

－info <collect_file_name>
标记特征的图片集合的描述文件。
－img<image_file_name>PS.我们不用这个参数，引文要从图片集合中创建正样本。需要用-info参数。
源目标图片（例如：一个公司图标）
－bg<background_file_name>
背景描述文件。
－num<number_of_samples>
要产生的正样本的数量，和正样本图片数目相同。
－bgcolor<background_color>
背景色（假定当前图片为灰度图）。背景色制定了透明色。对于压缩图片，颜色方差量由bgthresh
参数来指定。则在bgcolor－bgthresh 和bgcolor＋bgthresh 中间的像素被认为是透明的。
－bgthresh<background_color_threshold>
－inv
如果指定，颜色会反色
－randinv
如果指定，颜色会任意反色
－maxidev<max_intensity_deviation>
背景色最大的偏离度。
－maxangel<max_x_rotation_angle>
－maxangle<max_y_rotation_angle>，
－maxzangle<max_x_rotation_angle>
最大旋转角度，以弧度为单位。
－show
如果指定，每个样本会被显示出来，按下"esc"会关闭这一开关，即不显示样本图片，而创建过程
继续。这是个有用的debug 选项。
－w<sample_width>
输出样本的宽度（以像素为单位）
－h《sample_height》
输出样本的高度，以像素为单位。

按下回车后得到我们的正样本pos.vec文件。

三、使用opencv_haartraing.exe进行训练
参数说明如下：
Haartraining 的命令行参数如下：
－data<dir_name>存放训练好的分类器的路径名。
－vec<vec_file_name>正样本文件名（由trainingssamples 程序或者由其他的方法创建的）
－bg<background_file_name>背景描述文件。
－npos<number_of_positive_samples>，
－nneg<number_of_negative_samples>用来训练每一个分类器阶段的正/负样本。合理的值是：
-nPos = 7000;nNeg = 3000－nstages<number_of_stages>训练的阶段数。
－nsplits<number_of_splits>决定用于阶段分类器的弱分类器。
如果1，则一个简单的stump classifier 被使用。如果是2 或者更多，则带有number_of_splits 个内部节点的CART 分类器被使用。
－mem<memory_in_MB>预先计算的以MB为单位的可用内存。内存越大则训练的速度越快。－sym（default）－nonsym指定训练的目标对象是否垂直对称。垂直对称提高目标的训练速度。例如，正面部是垂直对称的。
－minhitrate《min_hit_rate》每个阶段分类器需要的最小的命中率。总的命中率为min_hit_rate 的number_of_stages 次方。
－maxfalsealarm<max_false_alarm_rate>没有阶段分类器的最大错误报警率。总的错误警告率为max_false_alarm_rate 的number_of_stages 次方。
－weighttrimming<weight_trimming>指定是否使用权修正和使用多大的权修正。一个基本的选择是0.9－eqw
－mode<basic(default)|core|all>选择用来训练的haar 特征集的种类。basic 仅仅使用垂直特征。all 使用垂直和45 度角旋转特征。－w《sample_width》－h《sample_height》训练样本的尺寸，（以像素为单位）。必须和训练样本创建的尺寸相同

-bt <DAB | RAB | LB | GAB (default)>. DAB isDiscrete Ada Boost, RAB is Real Ada Boost, LB is Logit Boost, GAB is GentleAdaboost. [2] states as "GAB is not only the best, but also the fastestclassifier."
在CMD下输入opencv_haartraining.exe -data xml -vec pos.vec -bg neg\neg.txt –nstages10 –npos 2000 –nneg 1000 -w 24 -h 24 -mem 1024 –mode BASIC 开始训练

训练结束后，根目录下就会生成xml.xml文件，文件夹xml里面会生成每个stage里的输出结果。训练过程的debug信息如下：（个人采用的是CBCL的training人脸作为pos，Tutorial的1000个bg图片作为neg）。个人对debug信息的理解在旁边注释。

 

 Data dirname: xml

Vec file name:pos.vec

BG  file name: neg\neg.txt, is a vecfile: no

Num pos: 2000//每个stage在训练当前强分类器的所需要的正样本数（必须是通过了之前的stage（强分类器）之后的2000个，也就是说从我们的pos文件夹里要尝试大于等于2000个才能得到2000个）

Num neg: 1000//每个stage在训练当前强分类器的所需要的负样本数（必须是通过了之前的stage（强分类器）之后的1000个，由于之前的分类器都可以达到FA小于50%，那么假如之前分类器只有一级的话，为了当前的强分类器的这1000个负样本理论上怎么也要从neg文件夹里尝试大于2000次才能搞定。）

Num stages: 10//这个可以自己设置，但是如果还没训练到10个stage的时候FA就低于pow(0.5,10)了程序就结束了。

Num splits: 1(stump as weak classifier)//这里指每个stage（强分类器）里面的每个弱分类器里需要的特征数

Mem: 1024 MB

Symmetric: TRUE//要不要左右对称

Min hit rate:0.995000//每个stage在训练当前强分类器的目标Hit Rate（把1分类成了0），必须高于此值

Max false alarmrate: 0.500000//每个stage在训练当前强分类器的目标false alarm（把0分类成了1），必须低于此值

Weight trimming:0.950000//boost里面的一个参数。具体作用需回头调查

Equal weights:FALSE

Mode: BASIC//仅仅使用垂直特征

Width: 19//正样本的宽

Height: 19//正样本的高

Applied boostingalgorithm: GAB//Gentle Adaboost

Error (valid onlyfor Discrete and Real AdaBoost): misclass

Max number ofsplits in tree cascade: 0

Min number ofpositive samples per cluster: 500

Required leaf falsealarm rate: 0.000976563// = pow(0.5,10)

 

Tree Classifier

Stage

+---+

|  0|

+---+

 

 

Number of featuresused : 33000//这个数字是根据高，宽，mode，symmetric来计算出来的。icvCreateIntHaarFeatures

 

Parent node: NULL

 

*** 1 cluster ***

POS: 2000 20001.000000//为了当前stage取出的正样本数目，尝试过的正样本数目两者之比

NEG: 1000 1//为了当前stage取出的负样本数目，在取的过程中的False Alarm。（个人理解两者相除即为尝试的次数）

PS。由于这是第一个stage，所以百分比都是100%。

BACKGROUNDPROCESSING TIME: 0.01

Precalculationtime: 0.42

+----+----+-+---------+---------+---------+---------+

|  N |%SMP|F| ST.THR |    HR   |   FA   | EXP. ERR|

+----+----+-+---------+---------+---------+---------+

|   1|100%|-|-0.876358| 1.000000| 1.000000|0.072000|

+----+----+-+---------+---------+---------+---------+

|   2|100%|+|-1.728757| 1.000000| 1.000000|0.073000|

+----+----+-+---------+---------+---------+---------+

|   3|100%|-|-2.331521| 1.000000| 1.000000|0.028000|

+----+----+-+---------+---------+---------+---------+

|   4|100%|+|-1.608770| 0.999500| 0.343000|0.030000|

+----+----+-+---------+---------+---------+---------+

以上过程应该就是AdaBoost的过程，上面这个表的意思是这个stage需要4个Haar-like特征来组合到一起来实现这个stage的强分类器。

上面的表的解释如下：（来自【2】） （SMP和EXP.ERR还不太理解）

N	The iteration number of feature selection training.
%SMP	The percentage of original samples left.
F	+ indicates the feature is flipped. Related to -sym (default) option.
ST.THR	Stage threshold
HR	Hit rate
FA	False alarm rate. FYI: (HR, FA) = (1.0, 1.0) means the detector simply alarms every time for everything.
EXP.ERR	Expected (misclassification) error.

 

Stage trainingtime: 57.14

Number of usedfeatures: 4

 

Parent node: NULL

Chosen number ofsplits: 0

 

Total number ofsplits: 0

 

Tree Classifier

Stage

+---+

|  0|

+---+

到这第一个stage就训练完成啦。因为FA达到34.3%啦，比50%要小了。这时候在xml文件夹下会有一个0文件夹，里面有个AdaBoostCARTHaarClassifier.txt，里面记下了这一层的训练结果，回头n个stage都训练完后这些训练结果会被放到一个xml文件里的。再次以我实验的为例，这个txt文件内容如下，我对其内容的理解也注释在旁。

 

4        //这个强分类器一共4个弱分类器，以下分别是4个弱分类器的具体信息。

1        //从这开始是第一个弱分类器，这个1表示的其实是参数中的-nsplits，表示一个弱分类器里就一个haar-like 特征

2        //当前特征需要几个rect来计算，下面有提示这个是haar_y2所以只需要两个

0 3 19 6 0 -1 //第一个rect的x,  y, width,  height,  band(不懂), weight(文章里黑和白决定)

0 6 19 3 0 2           //第二个rect的x,  y, width,  height,  band(不懂), weight(文章里黑和白决定)

haar_y2                 //类型

9.305671e-002 0 -1 //threshold for this single weak classifierleft right (?)

-8.763583e-0018.130261e-001   //个人理解是如果计算出来的haar-like特征值小于上面的threshold就输出左面的数，反之输出右面的数。(response)

PS.以下三组格式都类似。最后有个Threshold(-1.608770e+000)，估计是把这4个弱分类器的response之和跟Threshold比较，大的话就输出1，反之-1

1

2

5 0 9 10 0 -1

8 0 3 10 0 3

haar_x3

8.252650e-002 0 -1

-8.523988e-0017.785095e-001

1

2

4 2 2 15 0 -1

4 7 2 5 0 3

haar_y3

5.264061e-002 0 -1

-6.027635e-0018.538383e-001

1

2

8 3 3 6 0 -1

9 3 1 6 0 3

haar_x3

1.202950e-002 0 -1

-6.566088e-0017.227510e-001

-1.608770e+000     //Threshold

 

-1      //parent node,表示parent强分类器的节点

-1      //next node，一般来说都是-1

   0

 

 

Parent node: 0

 

*** 1 cluster ***

POS: 2000 20010.999500

NEG: 1000 0.354736        //这里的0.3547 约等于上个表最后的0.343 乘以 1

BACKGROUNDPROCESSING TIME: 0.01

Precalculationtime: 0.44

+----+----+-+---------+---------+---------+---------+

|  N |%SMP|F| ST.THR |    HR   |   FA   | EXP. ERR|

+----+----+-+---------+---------+---------+---------+

|   1|100%|-|-0.836412| 1.000000| 1.000000|0.122667|

+----+----+-+---------+---------+---------+---------+

|   2|100%|+|-1.571471| 1.000000| 1.000000| 0.126333|

+----+----+-+---------+---------+---------+---------+

|   3|100%|-|-1.033975| 0.998000| 0.596000|0.067333|

+----+----+-+---------+---------+---------+---------+

|   4|100%|+|-1.670214| 0.995500| 0.499000|0.069000|

+----+----+-+---------+---------+---------+---------+

Stage trainingtime: 56.91

Number of usedfeatures: 4

 

Parent node: 0

Chosen number ofsplits: 0

 

Total number ofsplits: 0

 

Tree Classifier

Stage

+---+---+

|  0|  1|

+---+---+

 

   0---1

 

 

Parent node: 1

 

*** 1 cluster ***

POS: 2000 20100.995025

NEG: 1000 0.140017        //这里的0.140017 约等于上个表最后的0.4999乘以上上个表最后的0.343 乘以再上面的1，但是有起伏，以下类推

BACKGROUNDPROCESSING TIME: 0.04

Precalculationtime: 0.44

+----+----+-+---------+---------+---------+---------+

|  N |%SMP|F| ST.THR |    HR   |   FA   | EXP. ERR|

+----+----+-+---------+---------+---------+---------+

|   1|100%|-|-0.798650| 1.000000| 1.000000|0.125333|

+----+----+-+---------+---------+---------+---------+

|   2|100%|+|-1.565732| 1.000000| 1.000000| 0.112000|

+----+----+-+---------+---------+---------+---------+

|   3|100%|-|-1.059954| 0.997000| 0.753000|0.068667|

+----+----+-+---------+---------+---------+---------+

|   4|100%|+|-1.708828| 0.997000| 0.753000|0.071667|

+----+----+-+---------+---------+---------+---------+

|   5| 95%|-|-1.329489| 0.997000| 0.550000|0.059667|

+----+----+-+---------+---------+---------+---------+

|   6| 95%|+|-1.442027| 0.995500| 0.333000|0.042667|

+----+----+-+---------+---------+---------+---------+

Stage training time:83.61

Number of usedfeatures: 6

 

Parent node: 1

Chosen number ofsplits: 0

 

Total number ofsplits: 0

 

Tree Classifier

Stage

+---+---+---+

|  0| 1|  2|

+---+---+---+

 

   0---1---2

 

 

Parent node: 2

 

*** 1 cluster ***

POS: 2000 20190.990589

NEG: 1000 0.0989022

BACKGROUNDPROCESSING TIME: 0.06

Precalculationtime: 0.40

+----+----+-+---------+---------+---------+---------+

|  N |%SMP|F| ST.THR |    HR   |   FA   | EXP. ERR|

+----+----+-+---------+---------+---------+---------+

|   1|100%|-|-0.857136| 1.000000| 1.000000|0.225333|

+----+----+-+---------+---------+---------+---------+

|   2|100%|+|-1.735158| 1.000000| 1.000000|0.144667|

+----+----+-+---------+---------+---------+---------+

|   3|100%|-|-1.308313| 1.000000| 0.871000|0.209000|

+----+----+-+---------+---------+---------+---------+

|   4| 95%|+|-0.915000| 0.998500| 0.700000|0.190667|

+----+----+-+---------+---------+---------+---------+

|   5| 97%|-|-1.510146| 0.995500| 0.595000|0.070667|

+----+----+-+---------+---------+---------+---------+

|   6| 59%|+|-1.320606| 0.999000| 0.588000|0.177333|

+----+----+-+---------+---------+---------+---------+

|   7| 53%|-|-0.918971| 0.997000| 0.550000|0.157333|

+----+----+-+---------+---------+---------+---------+

|   8| 42%|+|-1.798309| 0.996500| 0.564000|0.165000|

+----+----+-+---------+---------+---------+---------+

|   9| 30%|-|-1.263797| 0.995500| 0.485000|0.033000|

+----+----+-+---------+---------+---------+---------+

Stage trainingtime: 79.99

Number of usedfeatures: 9

 

Parent node: 2

Chosen number ofsplits: 0

 

Total number ofsplits: 0

 

Tree Classifier

Stage

+---+---+---+---+

|  0| 1|  2|  3|

+---+---+---+---+

 

   0---1---2---3

 

 

Parent node: 3

 

*** 1 cluster ***

POS: 2000 20280.986193

NEG: 1000 0.0338983

BACKGROUNDPROCESSING TIME: 0.17

Precalculationtime: 0.36

+----+----+-+---------+---------+---------+---------+

|  N |%SMP|F| ST.THR |    HR   |   FA   | EXP. ERR|

+----+----+-+---------+---------+---------+---------+

|   1|100%|-|-0.916164| 1.000000| 1.000000|0.298667|

+----+----+-+---------+---------+---------+---------+

|   2|100%|+|-1.849250| 1.000000| 1.000000|0.095333|

+----+----+-+---------+---------+---------+---------+

|   3|100%|-|-1.412137| 1.000000| 0.959000|0.289333|

+----+----+-+---------+---------+---------+---------+

|   4| 98%|+|-0.993077| 0.999000| 0.908000|0.041000|

+----+----+-+---------+---------+---------+---------+

|   5| 99%|-|-0.581992| 0.996000| 0.819000|0.042000|

+----+----+-+---------+---------+---------+---------+

|   6| 99%|+|-1.306047| 0.996000| 0.841000|0.264333|

+----+----+-+---------+---------+---------+---------+

|   7| 48%|-|-1.090664| 0.995500| 0.827000|0.027333|

+----+----+-+---------+---------+---------+---------+

|   8| 52%|+|-0.961630| 0.995500| 0.791000|0.031667|

+----+----+-+---------+---------+---------+---------+

|   9| 50%|-|-1.486213| 0.996000| 0.114000|0.022000|

+----+----+-+---------+---------+---------+---------+

Stage trainingtime: 80.34

Number of usedfeatures: 9

 

Parent node: 3

Chosen number ofsplits: 0

 

Total number of splits:0

 

Tree Classifier

Stage

+---+---+---+---+---+

|  0| 1|  2|  3|  4|

+---+---+---+---+---+

 

   0---1---2---3---4

 

 

Parent node: 4

 

*** 1 cluster ***

POS: 2000 20360.982318

NEG: 10000.00528647

BACKGROUNDPROCESSING TIME: 1.06

Precalculationtime: 0.45

+----+----+-+---------+---------+---------+---------+

|  N |%SMP|F| ST.THR |    HR   |   FA   | EXP. ERR|

+----+----+-+---------+---------+---------+---------+

|   1|100%|-|-0.547415| 1.000000| 1.000000|0.230000|

+----+----+-+---------+---------+---------+---------+

|   2|100%|+|-1.186195| 1.000000| 1.000000|0.219000|

+----+----+-+---------+---------+---------+---------+

|   3|100%|-|-1.682588| 1.000000| 1.000000|0.143333|

+----+----+-+---------+---------+---------+---------+

|   4|100%|+|-1.412621| 0.999500| 0.896000|0.131667|

+----+----+-+---------+---------+---------+---------+

|   5|100%|-|-1.937362| 0.999000| 0.842000|0.110000|

+----+----+-+---------+---------+---------+---------+

|   6| 97%|+|-2.273295| 0.999500| 0.889000| 0.114667|

+----+----+-+---------+---------+---------+---------+

|   7| 68%|-|-2.008629| 0.999500| 0.730000|0.093000|

+----+----+-+---------+---------+---------+---------+

|   8| 68%|+|-1.715718| 0.998500| 0.597000|0.087000|

+----+----+-+---------+---------+---------+---------+

|   9| 65%|-|-1.541976| 0.995500| 0.440000|0.079000|

+----+----+-+---------+---------+---------+---------+

Stage trainingtime: 112.91

Number of usedfeatures: 9

 

Parent node: 4

Chosen number ofsplits: 0

 

Total number ofsplits: 0

 

Tree Classifier

Stage

+---+---+---+---+---+---+

|  0| 1|  2|  3| 4|  5|

+---+---+---+---+---+---+

 

   0---1---2---3---4---5

 

 

Parent node: 5

 

*** 1 cluster ***

POS: 2000 20450.977995

NEG: 10000.00219693

BACKGROUNDPROCESSING TIME: 2.53

Precalculationtime: 0.46

+----+----+-+---------+---------+---------+---------+

|  N |%SMP|F| ST.THR |    HR   |   FA   | EXP. ERR|

+----+----+-+---------+---------+---------+---------+

|   1|100%|-|-0.567053| 1.000000| 1.000000|0.235333|

+----+----+-+---------+---------+---------+---------+

|   2|100%|+|-1.088740| 1.000000| 1.000000|0.282333|

+----+----+-+---------+---------+---------+---------+

|   3|100%|-|-1.759195| 1.000000| 1.000000|0.157667|

+----+----+-+---------+---------+---------+---------+

|   4|100%|+|-1.478334| 0.997500| 0.905000|0.144000|

+----+----+-+---------+---------+---------+---------+

|   5| 96%|-|-1.212285| 0.996000| 0.740000|0.148333|

+----+----+-+---------+---------+---------+---------+

|   6| 98%|+|-1.876123| 0.995500| 0.763000|0.116667|

+----+----+-+---------+---------+---------+---------+

|   7| 96%|-|-1.641806| 0.996000| 0.632000|0.097333|

+----+----+-+---------+---------+---------+---------+

|   8| 68%|+|-2.028667| 0.996500| 0.619000|0.105667|

+----+----+-+---------+---------+---------+---------+

|   9| 74%|-|-1.755526| 0.995500| 0.515000|0.079667|

+----+----+-+---------+---------+---------+---------+

|  10| 65%|+|-1.573657| 0.995500| 0.476000|0.072000|

+----+----+-+---------+---------+---------+---------+

Stage trainingtime: 126.46

Number of usedfeatures: 10

 

Parent node: 5

Chosen number ofsplits: 0

 

Total number ofsplits: 0

 

Tree Classifier

Stage

+---+---+---+---+---+---+---+

|  0| 1|  2|  3| 4|  5|  6|

+---+---+---+---+---+---+---+

 

   0---1---2---3---4---5---6

 

 

Parent node: 6

 

*** 1 cluster ***

POS: 2000 20540.973710

NEG: 10000.00104579

BACKGROUNDPROCESSING TIME: 5.32

Precalculationtime: 0.43

+----+----+-+---------+---------+---------+---------+

|  N |%SMP|F| ST.THR |    HR   |   FA   | EXP. ERR|

+----+----+-+---------+---------+---------+---------+

|   1|100%|-|-0.441408| 1.000000| 1.000000|0.274333|

+----+----+-+---------+---------+---------+---------+

|   2|100%|+|-1.019107| 1.000000| 1.000000| 0.268333|

+----+----+-+---------+---------+---------+---------+

|   3|100%|-|-1.743181| 1.000000| 1.000000|0.179000|

+----+----+-+---------+---------+---------+---------+

|   4|100%|+|-1.474703| 0.996000| 0.946000|0.159000|

+----+----+-+---------+---------+---------+---------+

|   5| 98%|-|-1.867563| 0.999000| 0.902000|0.150333|

+----+----+-+---------+---------+---------+---------+

|   6| 99%|+|-1.480276| 0.996000| 0.702000|0.113333|

+----+----+-+---------+---------+---------+---------+

|   7| 76%|-|-1.437744| 0.995500| 0.654000|0.108667|

+----+----+-+---------+---------+---------+---------+

|   8| 74%|+|-1.752111| 0.995500| 0.619000|0.099667|

+----+----+-+---------+---------+---------+---------+

|   9| 71%|-|-1.549213| 0.995500| 0.510000|0.080000|

+----+----+-+---------+---------+---------+---------+

|  10| 71%|+|-1.576178| 0.995500| 0.482000|0.071000|

+----+----+-+---------+---------+---------+---------+

Stage trainingtime: 124.25

Number of usedfeatures: 10

 

Parent node: 6

Chosen number ofsplits: 0

 

Total number ofsplits: 0

 

Tree Classifier

Stage

+---+---+---+---+---+---+---+---+

|  0| 1|  2|  3| 4|  5|  6|  7|

+---+---+---+---+---+---+---+---+

 

   0---1---2---3---4---5---6---7

 

 

Parent node: 7

 

*** 1 cluster ***

POS: 2000 20650.968523

NEG: 10000.000523652

BACKGROUNDPROCESSING TIME: 10.53

Required leaf falsealarm rate achieved. Branch training terminated.//这里发现比目标的FA要低了，所以就可以停了。

Total number ofsplits: 0

 

Tree Classifier

Stage

+---+---+---+---+---+---+---+---+

|  0| 1|  2|  3| 4|  5|  6|  7|

+---+---+---+---+---+---+---+---+

 

   0---1---2---3---4---5---6---7

 

 

Cascade performance

POS: 2000 20650.968523

NEG: 10000.000531382

BACKGROUNDPROCESSING TIME: 10.36

 

 Reference

【1】http://hi.baidu.com/ccb163163/item/22ba182edcc6fac00e37f9dd

【2】 https://docs.google.com/document/pub?id=14r34Pd51lKZNlfJIQVRS_3kbow1OcJBKV7wTRRAW5Vg