** 留著學習
hough forest目標檢測一種比較時興的目標檢測演算法，juergen gall在2009的cvpr上提出。
hough forest聽上去像hough變換+random forest的結合體，其實，不完全是這樣的。它更像是decision forest和regression forest的結合體再加上generalized hough transform：森林中每棵樹即不是分類樹也不是回歸樹，而是其中的每個節點可能為分類節點或者回歸節點。分類節點最小化class-label uncertainty，而回歸節點最小化offset uncertainty。然後輸出2d的hough image（當然可以擴充套件到3d，4d），在這上面找到區域性極值就是目標的引數（position, scale, aspect ration)。
與傳統的目標檢測器不同，訓練樣本是p=, i是目標的乙個區域性影象塊（patch），c是它的類標籤，d是它到目標中心的偏移（offset）向量（2d）；隨機樹生長的目的是使節點樣本的類別和offset不純度最小化，分別對應決策節點和回歸節點。節點上的**準則採用了畫素值比較的方法。最後葉子節點記錄一些統計量：cl表示正樣本比例，dl樣本偏移的集合。另外，訓練的時候作者也採用類似級聯的方式，forest=5trees+5trees+5trees，即第一次5棵樹生長完成後，一些分模擬較困難的樣本再用來訓練下一批樹。
檢測階段，從影象上提取patch，pass down through every tree in the forest，然後給2d hough image上位置為x的點投票。對影象進行dense sampling，最後輸出hough image。
以下是我讀**時的一些標註。
缺點 霍夫圓 霍夫變換
霍夫變換是一種特徵提取，被廣泛應用在影象分析 電腦視覺以及數字影像處理。霍夫變換是用來辨別找出物件中的特徵，例如 線條。他的演算法流程大致如下，給定乙個物件 要辨別的形狀的種類，演算法會在引數空間中執行投票來決定物體的形狀，而這是由累加空間 accumulator space 裡的區域性最大值來決定...
霍夫檢測圓 霍夫梯度法
承接上篇博文，在基本搞懂霍夫檢測直線是怎麼進化到檢測圓後，開始 痴心妄想 自己寫 了！雖說最後的效果不是很好，但是重要的是在碼 過程中發現和解決的一些問題 不一定有共性，但兄弟萌可以避免下這些bug 上篇博文已經闡述了我們是如何從三維計數 轉到霍夫梯度法的，該演算法主要分為兩步，先找圓心疑似點，再對...
缺點 霍夫圓 霍夫圓變換
對於直線來說，一條直線能有引數極徑級角表示，而對圓來說我們需要三個引數來表示乙個圓 在opencv中，我們常常通過乙個叫 霍夫梯度法 的方法來解決圓變換的問題。霍夫梯度法的原理 1 首先對影象應用邊緣檢測，比如canny邊緣檢測 2 然後對邊緣影象中的每乙個非零點，考慮其區域性梯度，即用sobel函...