上一講我提到對于算法的初始化工作主要是在tldInit這個函數里實現的。主要分為如下幾大步驟，1）初始化Detector。2）初始化Trajectory。3）訓練Detector

1)初始化Detector

其中bb_scan為掃描grid區域，該函數輸入為boundingBox，輸出為一系列的RectBox，是根據boundingBox的大小參數對待搜素區域選擇一系列的box作為備選的跟蹤區域，box的位置和尺度都有變化，和RectBox相應的尺度。但RectBox有6個參數，前4個分別為Rect的左上角坐標（x1，y1）和右下角坐標（x2，y2）。后兩個參數求大神解釋（PS：后來在fern函數里找到了解釋，分別為指向對應尺度特征的指針位置、每一行box的數量——用在搜索鄰近box）！對于這個函數內部我還有一個疑惑，就是對ntuples函數功能的使用，哎，怎奈Matlab語法都不熟悉，只能慢慢啃了，感覺作者這里就是把RectBox的左上角的所有可能的坐標值傳入該函數，得到左上角坐標位置的全部組合（不知道理解對了沒）。

接下來的工作時特征的初始化，是在tldGenerateFeature函數里實現的。這個函數相對獨立，作者這里為了產生效果較好的隨機特征真是煞費苦心，輸入的參數有兩個，一個是nTREE = 10，一個是nFEATURE = 13。輸出為nTREE組特征，每組特征為nFEATURE個點對，每一個點對有4個參數，分別兩點坐標（x1，y1），（x2，y2），取值范圍為（0~1）其中第一個點的分辨率為0.1，還不太明白這樣設計的原因，待進一步分析代碼，有高人指點一下更好。值得注意的是產生的點對不是橫坐標相同x1 = x2，就是縱坐標相同y1 = y2。這里用圖片顯示一組特征，線段的兩個端點

下一步工作為初始化detector。這個功能是用強大的fern函數寫的，該函數有多個功能，根據傳入參數的標志分別可以實現clear操作、init操作、update操作、evaluate操作、detect操作、get pattern操作。fern函數是用c寫的，混合編程沒有弄的太明白，還沒能調試一下看看，只能看代碼猜。在初始化detector的工作里，用到的是init操作。

2）初始化Trajectory

這部分沒有什么要說明的，都是些零碎的初始化工作，matlab里面對一些必要的變量開辟一些空間和定義一些變量的值。具體分析Trajectory的工作的時候可以具體再分析

3）訓練Detector

首先得到Target，作者注釋說該Target只是用來顯示，有待我后續驗證。得到Target要調用函數img_patch，img_patch函數是獲得一幅圖像中目標區域box的像素信息patch。

接下來產生正樣本數據集，調用tldGeneratePositiveData。其中第二個參數為RectBox和box的重復區域比例信息，保存在overlap參數中，由函數bb_overlap得到。tldGeneratePositiveData函數首先根據overlap的比例信息選出重復區域比例大于60%并且前num_closet ?= 10個的最接近box的RectBox，相當于對RectBox進行篩選。并通過bb_hull函數得到這些RectBox的最大邊界。接下來的工作比較重要，要得到Pattern，調用的函數為tldGetPattern。初始化的工作就是對最接近box的RectBox區域得到其patch，然后調用tldPatch2Pattern將像素信息轉換為Pattern，具體的說就是歸一化RectBox對應的patch的size（放縮至patch_size = 15*15），將2維的矩陣變成一維的向量信息，然后將向量信息均值設為0，調整為zero mean and unit variance（ZMUV），這個過程調用函數tldPatch2Pattern實現。接下來處理RectBox最大邊界的模糊信息，再次用到img_patch函數，但這次調用的函數有很大的不同，還沒太理解作者要做什么啊，怎么感覺還有平移旋轉矩陣都出來了，暈啦（求高人指點）。該函數最后返回3個參數，pX為處理后的RectBox最大邊界處理后的像素信息，pEx最近鄰的RectBox的Pattern，bbP0為最近鄰的RectBox。

然后再產生負樣本數據tldGenerateNegativeData。得到遠離box（重復區域比例小于20%）的num_patches = 100個Pattern保存到nX中，隨機選中num_patches = 100個RectBox得到對應的patch保存到nEx中。這里調用了fern（5），即該函數的get pattern操作。

接下來對負樣本進行分類，分類到訓練集Training Set和驗證集Validation Set中去。

接下來使用Training Set進行訓練，先調用fern（2），更新，然后調用tldTrainNN最近鄰訓練數據。

接下來評估驗證集Validation Set的閾值。調用tldNN驗證。

至此，初始化的工作基本完成，限于本人水平有限，只能先對函數有個大概的認識，深深覺得先要靜下心來把訓練的算法搞清楚，再回過頭來再看一編代碼。

總結

以上是生活随笔為你收集整理的庖丁解牛TLD（三）——算法初始化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。