决策树及随机森林在face alignment at 3000fps中的训练和测试

最新推荐文章于 2024-04-18 10:13:18 发布

jingle021

最新推荐文章于 2024-04-18 10:13:18 发布

阅读量1.4k

点赞数 4

分类专栏： face alignment

本文链接：https://blog.csdn.net/jcx1314/article/details/53781577

版权

face alignment 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

1. 准备训练样本

通过对参数的读取，若一个随机森林有10个树：
输入经过augmented的训练样本，被有overlapping的分割成10部分，每一部分训练一个决策树。然后，这些样本再训练另外一个random forest的10个决策树。

2. Split node分裂节点的确定和划分

        决策树的意义在于产生LBP特征，即得到Φ

决策树的输入： pdf像素差特征，在每张图的一个关键点的固定半径内，随机生成M=500个，并记录其坐标；
输入一个random forest的一棵树的训练集N=541；
组成一个500×541的输入矩阵，即densities(j,i)，每一列代表的是一个样本的500个像素差值，一共541列；每一行代表的是541个样本中，每个样本随机选择的一个像素差值。

 for(int j = 0;j < max_numfeats_;j++){
            double project_x1 = rotation(0,0) * candidate_pixel_locations(j,0) + rotation(0,1) * candidate_pixel_locations(j,1);
            double project_y1 = rotation(1,0) * candidate_pixel_locations(j,0) + rotation(1,1) * candidate_pixel_locations(j,1);

            project_x1 = scale * project_x1 * bounding_box[ind_samples[i]].width / 2.0;
            project_y1 = scale * project_y1 * bounding_box[ind_samples[i]].height / 2.0;
            int real_x1 = project_x1 + current_shapes[ind_samples[i]](landmarkID_,0);
            int real_y1 = project_y1 + current_shapes[ind_samples[i]](landmarkID_,1);
            real_x1 = max(0.0,min((double)real_x1,images[ind_samples[i]].cols-1.0));
            real_y1 = max(0.0,min((double)real_y1,images[ind_samples[i]].rows-1.0));

            double project_x2 = rotation(0,0) * candidate_pixel_locations(j,2) + rotation(0,1) * candidate_pixel_locations(j,3);
            double project_y2 = rotation(1,0) * candidate_pixel_locations(j,2) + rotation(1,1) * candidate_pixel_locations(j,3);
            project_x2 = scale * project_x2 * bounding_box[ind_samples[i]].width / 2.0;
            project_y2 = scale * project_y2 * bounding_box[ind_samples[i]].height / 2.0;
            int real_x2 = project_x2 + current_shapes[ind_samples[i]](landmarkID_,0);
            int real_y2 = project_y2 + current_shapes[ind_samples[i]](landmarkID_,1);

            real_x2 = max(0.0,min((double)real_x2,images[ind_samples[i]].cols-1.0));
            real_y2 = max(0.0,min((double)real_y2,images[ind_samples[i]].rows-1.0));

            densities(j,i) = ((int)(images[ind_samples[i]](real_y1,real_x1))-(int)(images[ind_samples[i]](real_y2,real_x2)));
        }
    }

决策树的阈值确定：最大方差衰减 maximum variance reduction
max（分裂前的样本方差总和 – 分裂后左样本集的方差 – 分裂后右样本集的方差）
即argmax ( Var-Var_Left-Var_right)

1. 500×541矩阵每一行，随机选任意一个样本的像素差值做分类阈值，用这个pdf值将第一行541个样本分成两类：< threshold的样本 和 >threshold的样本，分别放在左右子集。
2. 计算541个样本的方差，左子集的方差，右子集的方差。保存
3. 依次计算矩阵的每一行，随机产生阈值，分类，计算方差，保存
4. 选择保存的所有( Var-Var_Left-Var_right)的值，选择最大的值，作为根节点的分裂阈值。
5. 对根节点分类出来的左右子集的样本再分别计算方差，确定决策树的其他节点。确定一棵树的分裂节点和叶子节点。
6. 另外的样本输入训练第二个决策树，循环，得到随机森林的结构。
7. 同样的样本，训练第二个随机森林，循环所有人脸关键点，得到68个随机森林。

3. 由决策树得到LBF特征

这里写图片描述

1. 对输入的图片，每个关键点，选择pdf值，通过分裂节点，最后抵达叶子节点，点亮决策树的一个叶子节点输出。亮的为1，暗的为0。得到LBF稀疏特征。
2.  组合所有随机森林决策树的LBF特征得到ϕ

[Δ x 1 Δ y 1 Δ x 2 Δ y 2 Δ x 3 . . . Δ y 3 . . .] * ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ 1000010000100001 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ = [Δ x 1 + Δ x 5 + Δ x 1 0 + Δ x 1 5 Δ y 1 + Δ y 5 + Δ y 1 0 + Δ y 1 5]

$\begin{bmatrix} \Delta x_1 & \Delta x_2 & \Delta x_3 ... \\ \Delta y_1 & \Delta y_2 & \Delta y_3 ... \end{bmatrix} *\begin{bmatrix} 1 \\ 0 \\ 0 \\ 0 \\ 0 \\ 1 \\ 0 \\ 0 \\ 0 \\ 0 \\ 1 \\ 0 \\ 0 \\ 0 \\ 0 \\ 1 \\ \end{bmatrix}=\begin{bmatrix} \Delta x_1 + \Delta x_5 + \Delta x_10 + \Delta x_15 \\ \Delta y_1 + \Delta y_5 + \Delta y_10 + \Delta y_15 \end{bmatrix}$

4. 训练参数

data augmentation：每张训练图通过多次随机多个初始化shpe来增加训练样本数量
测试时，我们只是用mean shape做初始化shape
两种参数：
(1). 更精确LBF： stage T=5；tree depth D=7；每个stage中tree的个数 N=1200
(2). 更快LBF fast： stage T=5；tree depth D=5；每个stage中tree的个数 N=300

jingle021

关注

4
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
决策树及随机森林在face alignment at 3000fps中的训练和测试

目录目录准备训练样本Split node分裂节点的确定和划分由决策树得到LBF特征1. 准备训练样本通过对参数的读取，若一个随机森林有10个树：输入经过augmented的训练样本，被有overlapping的分割成10部分，每一部分训练一个决策树。然后，这些样本再训练另外一个random forest的10个决策树。2. Split node分裂节点的确定和划分
复制链接

扫一扫