OpenCV码源笔记——（letter_recog.cpp）Random Forest part

Refer from http://blog.csdn.net/yangtrees/article/details/7498618

其中重要函数的参数解释：http://blog.csdn.net/sangni007/article/details/7488727

[cpp] view plain copy print ?

1. read_num_class_data( const char* filename, int var_count,  
2.                      CvMat** data, CvMat** responses )  
3. {  
4.     const int M = 1024;  
5.     FILE* f = fopen( filename, "rt" );  
6.     CvMemStorage* storage;  
7.     CvSeq* seq;  
8.     char buf[M+2];  
9.     float* el_ptr;  
10.     CvSeqReader reader;  
11.     int i, j;  
12.   
13.     if( !f )  
14.         return 0;  
15.   
16.     el_ptr = new float[var_count+1];  
17.     storage = cvCreateMemStorage();  
18.     seq = cvCreateSeq( 0, sizeof(*seq), (var_count+1)*sizeof(float), storage );  
19.   
20.     for(;;)  
21.     {  
22.         char* ptr;  
23.         if( !fgets( buf, M, f ) || !strchr( buf, ',' ) )  
24.             break;  
25.         el_ptr[0] = buf[0];  
26.         ptr = buf+2;  
27.         for( i = 1; i <= var_count; i++ )  
28.         {  
29.             int n = 0;  
30.             sscanf( ptr, "%f%n", el_ptr + i, &n );  
31.             ptr += n + 1;  
32.         }  
33.         if( i <= var_count )  
34.             break;  
35.         cvSeqPush( seq, el_ptr );  
36.     }  
37.     fclose(f);  
38.   
39.     *data = cvCreateMat( seq->total, var_count, CV_32F );  
40.     *responses = cvCreateMat( seq->total, 1, CV_32F );  
41.   
42.     cvStartReadSeq( seq, &reader );  
43.   
44.     for( i = 0; i < seq->total; i++ )  
45.     {  
46.         const float* sdata = (float*)reader.ptr + 1;  
47.         float* ddata = data[0]->data.fl + var_count*i;  
48.         float* dr = responses[0]->data.fl + i;  
49.   
50.         for( j = 0; j < var_count; j++ )  
51.             ddata[j] = sdata[j];  
52.         *dr = sdata[-1];  
53.         CV_NEXT_SEQ_ELEM( seq->elem_size, reader );  
54.     }  
55.   
56.     cvReleaseMemStorage( &storage );  
57.     delete el_ptr;  
58.     return 1;  
59. }  
60.   
61. static  
62. int build_rtrees_classifier( char* data_filename,  
63.     char* filename_to_save, char* filename_to_load )  
64. {  
65.     CvMat* data = 0;  
66.     CvMat* responses = 0;  
67.     CvMat* var_type = 0;  
68.     CvMat* sample_idx = 0;  
69.   
70.     int ok = read_num_class_data( data_filename, 16, &data, &responses );  
71.     int nsamples_all = 0, ntrain_samples = 0;  
72.     int i = 0;  
73.     double train_hr = 0, test_hr = 0;  
74.     CvRTrees forest;  
75.     CvMat* var_importance = 0;  
76.   
77.     if( !ok )  
78.     {  
79.         printf( "Could not read the database %s\n", data_filename );  
80.         return -1;  
81.     }  
82.   
83.     printf( "The database %s is loaded.\n", data_filename );  
84.     nsamples_all = data->rows;  
85.     ntrain_samples = (int)(nsamples_all*0.8);  
86.   
87.     // Create or load Random Trees classifier  
88.     if( filename_to_load )  
89.     {  
90.         // load classifier from the specified file  
91.         forest.load( filename_to_load );  
92.         ntrain_samples = 0;  
93.         if( forest.get_tree_count() == 0 )  
94.         {  
95.             printf( "Could not read the classifier %s\n", filename_to_load );  
96.             return -1;  
97.         }  
98.         printf( "The classifier %s is loaded.\n", data_filename );  
99.     }  
100.     else  
101.     {  
102.         // create classifier by using <data> and <responses>  
103.         printf( "Training the classifier ...\n");  
104.   
105.         // 1. create type mask  
106.         var_type = cvCreateMat( data->cols + 1, 1, CV_8U );//response的类型;  
107.         cvSet( var_type, cvScalarAll(CV_VAR_ORDERED) );  
108.         cvSetReal1D( var_type, data->cols, CV_VAR_CATEGORICAL );  
109.   
110.         // 2. create sample_idx  
111.         sample_idx = cvCreateMat( 1, nsamples_all, CV_8UC1 );  
112.         {  
113.             CvMat mat;  
114.             cvGetCols( sample_idx, &mat, 0, ntrain_samples );  
115.             cvSet( &mat, cvRealScalar(1) );  
116.   
117.             cvGetCols( sample_idx, &mat, ntrain_samples, nsamples_all );  
118.             cvSetZero( &mat );  
119.         }  
120.   
121.         // 3. train classifier  
122.         forest.train( data, CV_ROW_SAMPLE, responses, 0, sample_idx, var_type, 0,  
123.             CvRTParams(10,10,0,false,15,0,true,4,100,0.01f,CV_TERMCRIT_ITER));  
124.         printf( "\n");  
125.     }  
126.   
127.     // compute prediction error on train and test data  
128.     for( i = 0; i < nsamples_all; i++ )  
129.     {  
130.         double r;  
131.         CvMat sample;  
132.         cvGetRow( data, &sample, i );  
133.   
134.         r = forest.predict( &sample );  
135.         r = fabs((double)r - responses->data.fl[i]) <= FLT_EPSILON ? 1 : 0;  
136.   
137.         if( i < ntrain_samples )  
138.             train_hr += r;  
139.         else  
140.             test_hr += r;  
141.     }  
142.   
143.     test_hr /= (double)(nsamples_all-ntrain_samples);  
144.     train_hr /= (double)ntrain_samples;  
145.     printf( "Recognition rate: train = %.1f%%, test = %.1f%%\n",  
146.             train_hr*100., test_hr*100. );  
147.   
148.     printf( "Number of trees: %d\n", forest.get_tree_count() );  
149.   
150.     // Print variable importance 打印自变量重要性;  
151.     var_importance = (CvMat*)forest.get_var_importance();  
152.     if( var_importance )  
153.     {  
154.         double rt_imp_sum = cvSum( var_importance ).val[0];  
155.         printf("var#\timportance (in %%):\n");  
156.         for( i = 0; i < var_importance->cols; i++ )  
157.             printf( "%-2d\t%-4.1f\n", i,  
158.             100.f*var_importance->data.fl[i]/rt_imp_sum);  
159.     }  
160.   
161.     //Print some proximitites 打印相似度;  
162.     printf( "Proximities between some samples corresponding to the letter 'T':\n" );  
163.     {  
164.         CvMat sample1, sample2;  
165.         const int pairs[][2] = {{0,103}, {0,106}, {106,103}, {-1,-1}};  
166.   
167.         for( i = 0; pairs[i][0] >= 0; i++ )  
168.         {  
169.             cvGetRow( data, &sample1, pairs[i][0] );  
170.             cvGetRow( data, &sample2, pairs[i][1] );  
171.             printf( "proximity(%d,%d) = %.1f%%\n", pairs[i][0], pairs[i][1],  
172.                 forest.get_proximity( &sample1, &sample2 )*100. );  
173.         }  
174.     }  
175.   
176.     // Save Random Trees classifier to file if needed  
177.     //if( filename_to_save )  
178.         forest.save( "forest.xml" );  
179.   
180.     cvReleaseMat( &sample_idx );  
181.     cvReleaseMat( &var_type );  
182.     cvReleaseMat( &data );  
183.     cvReleaseMat( &responses );  
184.   
185.     return 0;  
186. }