Algorithm 多视点人脸检测的决策树训练

我从事多视角人脸检测，并遵循琼斯的多视角人脸检测算法

在本文中，Jones用不同面部姿势的图像训练C4.5决策树。在决策树训练的第3.3节中，提到“训练算法几乎与boosting算法相同。两个主要区别是特征选择的标准和每个节点上训练集的分割”

我学习并理解了C4.5算法

我不知道如何为C4.5决策树训练不同面部姿势的图像

编辑1： 级联分类器ADABOOST算法的第0阶段和第1阶段训练特征如下所示

<!-- stage 0 -->
    <_>
      <maxWeakCount>3</maxWeakCount>
      <stageThreshold>-0.7520892024040222</stageThreshold>
      <weakClassifiers>
        <!-- tree 0 -->
        <_>
          <internalNodes>
            0 -1 46 -67130709 -21569 -1426120013 -1275125205 -21585
            -16385 587145899 -24005</internalNodes>
          <leafValues>
            -0.6543210148811340 0.8888888955116272</leafValues></_>
        <!-- tree 1 -->
        <_>
          <internalNodes>
            0 -1 13 -163512766 -769593758 -10027009 -262145 -514457854
            -193593353 -524289 -1</internalNodes>
          <leafValues>
            -0.7739216089248657 0.7278633713722229</leafValues></_>
        <!-- tree 2 -->
        <_>
          <internalNodes>
            0 -1 2 -363936790 -893203669 -1337948010 -136907894
            1088782736 -134217726 -741544961 -1590337</internalNodes>
          <leafValues>
            -0.7068563103675842 0.6761534214019775</leafValues></_></weakClassifiers></_>
    <!-- stage 1 -->
    <_>
      <maxWeakCount>4</maxWeakCount>
      <stageThreshold>-0.4872078299522400</stageThreshold>
      <weakClassifiers>
        <!-- tree 0 -->
        <_>
          <internalNodes>
            0 -1 84 2147483647 1946124287 -536870913 2147450879
            738132490 1061101567 243204619 2147446655</internalNodes>
          <leafValues>
            -0.8083735704421997 0.7685696482658386</leafValues></_>
        <!-- tree 1 -->
        <_>
          <internalNodes>
            0 -1 21 2147483647 263176079 1879048191 254749487 1879048191
            -134252545 -268435457 801111999</internalNodes>
          <leafValues>
            -0.7698410153388977 0.6592915654182434</leafValues></_>
        <!-- tree 2 -->
        <_>
          <internalNodes>
            0 -1 106 -98110272 1610939566 -285484400 -850010381
            -189334372 -1671954433 -571026695 -262145</internalNodes>
          <leafValues>
            -0.7506558895111084 0.5444605946540833</leafValues></_>
        <!-- tree 3 -->
        <_>
          <internalNodes>
            0 -1 48 -798690576 -131075 1095771153 -237144073 -65569 -1
            -216727745 -69206049</internalNodes>
          <leafValues>
            -0.7775990366935730 0.5465461611747742</leafValues></_></weakClassifiers></_>

3.
-0.7520892024040222
0 -1 46 -67130709 -21569 -1426120013 -1275125205 -21585
-16385 587145899 -24005
-0.6543210148811340 0.8888888955116272
0 -1 13 -163512766 -769593758 -10027009 -262145 -514457854
-193593353 -524289 -1
-0.7739216089248657 0.7278633713722229
0 -1 2 -363936790 -893203669 -1337948010 -136907894
1088782736 -134217726 -741544961 -1590337
-0.7068563103675842 0.6761534214019775
4.
-0.4872078299522400
0 -1 84 2147483647 1946124287 -536870913 2147450879
738132490 1061101567 243204619 2147446655
-0.8083735704421997 0.7685696482658386
0 -1 21 2147483647 263176079 1879048191 254749487 1879048191
-134252545 -268435457 801111999
-0.7698410153388977 0.6592915654182434
0 -1 106 -98110272 1610939566 -285484400 -850010381
-189334372 -1671954433 -571026695 -262145
-0.7506558895111084 0.5444605946540833
0 -1 48 -798690576 -131075 1095771153 -237144073 -65569 -1
-216727745 -69206049
-0.7775990366935730 0.5465461611747742

编辑2：

我对如何训练决策的思考如下图所示 我仍在弄清楚要使用哪些功能，但我认为培训应该如附图所示。

---

感谢你没有读过这篇文章，但据我从早期的人脸识别实验中了解到的，你要寻找的属性可能只是人脸图像的灰度输入。通常，图像会被重新缩放，比如说32x32像素，所以你有一个1024维的向量来训练你的决策树。仔细看看这篇文章如果他们使用了其他功能，他们会被写下来，或者至少会被提到？

你不明白的到底是什么？@remi我们需要属性来训练决策树。我必须使用哪些属性？我知道如何训练具有Haar特征或LBP特征的增强级联分类器。在每次迭代时增加权重，并在FA可接受时停止迭代。对于C4.5决策树，我需要训练属性和值。“那么，训练决策树的属性是什么呢？”雷米接着琼斯说，“训练算法几乎与boosting算法相同。”。从ADABOOST培训中，我收到了20个阶段的XML文件中的选定功能。阶段0和阶段1显示在edit1中。这些功能用于训练决策树吗？我可以接受你的解释，你的意思是我们需要使用功能（在你的例子中是32x32灰度像素）来训练决策树。我联系了琼斯，他说他使用了与级联分类器相同的功能。因此，我描述了EDIT1中用于级联分类器的特征示例。它们位于内部节点、叶值和阈值中。我仍在调试基于detection_的_tracker.cpp，所以我仍然不明白这些是如何使用的，以及真正的功能是什么。所以我理解的方式，我在EDIT2中描述。（待续）假设每个图像有100个特征（属性）。对于不同的面部姿势，我会有不同的值范围。然后，如果我有1000张正面的图片，我会有1000行的面部姿势。然后，我训练该表以获得C4.5决策树。这对你有意义吗？C4.5可以对多个类别进行分类，对吗？琼斯说他很忙，所以我不能详细问他。是的，看起来还可以。培训的输入为1000x100矩阵（假设描述符按行存储）+标签。决策树处理多个类