acfDetect检测流程

    这周主要是看程序，通过上一周论文的阅读，对程序有了更深的理解。其次，我觉得熟悉作者的编程习惯也很重要。由于训练部分的程序运行不了，所以从检测部分入手。

    主程序为acfDemoInria.m。在检测部分bbs=acfDetect(I,detector)为主要语句，bbs的输出是4个左边组成的边框位置信息和1个score数。

1，看acfDetect函数，函数分为两部分（run detector on every image和 write results to   disk if fileName specified ）。 主要的检测过程在第一部分的acfDetectImg函数，函数中作者首先提取了detector中的信息。detector.opts是相关参数的名称和信息。detector.clf是通过adaboost训练得到的数据信息。detector.info是特征通道信息（现在包涵了3个通道特征：color channels、gradient histogram、gradient magnitude）。

2，然后就要对待检测图片经行特征的提取了，主要语句为P =chnsPyramid(I,pPyramid)。这是开始要构造特征金字塔了。在chnsPyramid函数中，首先对图片进行颜色的转换为后面的特征提取做铺垫。在程序中规定金字塔有19层，每一层都是原图像的缩减抽样，作者选取了其中的1、9、17来计算特征，称之为real scales另外的16层，都用作者的逼近算法来近似计算，论文中证明说，这样既可以很大程度的提高计算速度，又能保证一定的准确性。接下来就是金字塔的组合，数据的平滑等处理。

3，接下来介绍关于real scales的特征提取介绍，这是我现在最为关注的。主要语句为chns=chnsCompute(I1,pChns)。在chnsCompute函数中，先经行colorchannels特征的提取，图片由3种颜色组成，所以每个像素点有3个颜色特征，也就是等到了m*n*3的数据；gradientmagnitude特征的提取，每个像素点只有1个特征，得到m*n*1的数据；gradientmagnitude特征的提取，这个梯度直方图设定为6个bin,所以每个像素点有6个特征，得到m*n*6的数据。在得到这些数据后，作者直接把这些数据合并，产生了m*n*10的最终数据。

     总之，产生的特征金字塔最后有19层，每层缩减抽样图片的每个像素点都有10个特征。然后利用这些特征与detector进行检测。

查看程序的流程为

acfDemoInria.m-> acfDetect.m -> chnsPyramid.m ->chnsCompute.m