8. classifier.trainF(ferns_data,2)
输入:
已混合打乱的正负样本特征数据:ferns_data
输出:
分类器模型:任何特征对应可信度(该图像块为正样本的概率):posteriors
描述:
统计P/N约束被使用的次数,来计算一个特征的可信度
更多详情见《集成分类器》
9. classifier.trainNN(nn_data)
输入:
已混合打乱的正负样本模板数据:nn_data
输出:
筛选出的模板:pEx、nEx
描述:
通过计算自相关系数NCC筛选模板
更多详情见《最近邻分类器》
10. classifier.evaluateTh(nXT,nExT)
输入:
负样本随机蕨测试集:nXT
负样本模板测试集:nExT
输出:
更新后的随机蕨阈值:thr_fern
更新后的模板NCC阈值:thr_nn
更新后的有效性判断(P/N学习)阈值:thr_nn_valid
描述:
对所有负样本随机蕨测试集,计算其随机蕨可信度,若最大值大于预设阈值
thr_fern,则用该最大值替换更新;对所有负样本模板测试集,计算其NCC系数,
若最大值大于预设阈值thr_nn,则用该最大值替换更新;若最后更新得到的thr_nn
大于预设thr_nn_valid,则替换更新thr_nn_valid。
注:若存在说法看不明白的,请留言询问!
至此,TLD初始化模块介绍完毕!对整个模块的梳理,见《TLD初始化模块实现流程》