love模式识别

曾经，纠结过haartraining中条件宏ICV_DEF_FIND_STUMP_THRESHOLD_SQ的使用，主要对它的代码结构和内容比较不解，针对这个条件宏，自己专门看了Gentle Adaboost的paper，才彻底理解代码的含义，我想也有童鞋同样对这段代码比较困惑，所以写下这篇博客。

cvCreateMTStumpClassifier函数出自opencv中的haartraining程序，在adaboost（cvCreateTreeCascadeClassifier）的强分类器（icvCreateCARTStageClassifier）中被两次调用，该函数用于寻找最优弱分类器，或者说成计算最优haar特征。功能很明确，但是大家都知道的，opencv的代码绝大部分写的让人真心看不懂，这个函数算是haartraining中比较难以看懂的函数，局部变量达到20个之多，童鞋我也是不甘心，不甘心被这

之前介绍了haartraining程序中的cvCreateMTStumpClassifier函数，这个函数的功能是计算最优弱分类器，这篇文章介绍一下自己对haartraining中关于强分类器计算的一些理解，也就是程序中的icvCreateCARTStageClassifier函数。

cvCreateCARTClassifier函数在haartraining程序中用于创建CART树状弱分类器，但一般只采用桩分类器，因为其训练过程实在是太慢了。之前自己调试过代码，要等差不多10分钟（2000正样本、2000负样本）才能训练完一个3节点的弱分类器，当然，总体的树状弱分类器的数目可能也会减少2/3，这个还没有仔细训练过。之所以将此函数拿出来说说，主要是因为之前在网上找不到专门针对这个函数的说明，同时，基于CART树的弱分类器，也具有一定的借鉴意义。

人脸检测是二分类问题，误检指的是非人脸被认为是人脸，漏检指的是人脸被认为是非人脸，误检和漏检的理论解释有一些，本文尝试从下面这个角度与童鞋们进行探讨误检漏检原因，因为我说的不一定对。还请大家多多指教！！！

在我之前的博客中介绍过随机森林，随机森林在机器学习中的应用十分广泛，它属于非传统的机器学习算法，其他的诸如神经网络，MRF，Adaboost，乃至现在大名鼎鼎的深度学习，越来越取代了传统机器学习算法，如子空间学习，流程学习等的地位。果不其然，在众多基于传统机器学习的人脸对齐算法中，去年CPVR2014也出现了一篇论文，名曰《Face Alignment At 3000fps via Local Binary Features》，正是利用了随机森林对特定点进行定位，取得了与SDM等算法同样的效果，最关键的是，

之前做过一段时间的人脸姿态估计研究，取得了比较理想的效果，拿出来和大家分享一下，第一次写博客，肯定有表达不清晰的地方，还请大家多多批评哈！当时自己刚开始这方面的研究，特别想找到关于这方面的博客介绍，可惜没有，于是产生了写一篇该方向上博客的想法，废话不多说，开始介绍！人脸姿态估计，顾名思义，给定一张人脸图像，确定其姿态，姿态由什么构成呢？很简单（pitch，yaw，roll）三种角度，分别代

人脸检测应用极为广泛，内部细节也偏多，尤其是涉及到几种类型的框，这几种框的大小之前有着千丝万缕的联系，对检测性能的好坏影响程度大小不一。本篇文章基于自己在人脸检测方面的经验，对这些框的来龙去脉尽量做出解释。

要开始回归博客生活喽

发一篇小文，未完待续哈！