MATLAB, CPP - Adaboost eye detection

1. MakeFolder.m

하는 일

: 폴더를 만든다.

변경 할 것

: 이 파일에서 StageIndex를 변경한다. [‘01’, 02’, ‘03’, ‘04’, ‘05’ …]

 

2. CollectSamplesForNextStage.m

하는 일

: 다음 stage를 위해서 sample을 구한다. 처음 step인 step1에선 Original Data에서 가져온다. 즉 Positive Sample은 2000개를 가져오고, Negative Sample은 20000개 중에서 nSamps(현재는 2000개)를 가져온다. 그 뒤로부턴, step2에서부터는 (n-1)step의 ImagePatchesTP에서 Positive Samples를 가져오고, ImagePatchesFP에서 Negative Samples를 가져온다.

l  TP는 True Positive로 눈인데 눈으로 판단한 경우이다. 이것을 다음 번 step의 Positive Sample로 사용한다. 이와 마찬가지로 FP, 즉 False Positive: 눈이 아닌데 눈이라고 판단한 것을 다음 번 step의 Negative Sample로 사용한다.

변경 할 것

: 이 파일에서 StageIndexIn와 StageIndexOut를 변경한다. [‘00’ ‘01’, ‘01’ ‘02’, ‘02’ ‘03’ …]

 

3. MakeDataFileOfTrainSamps.m

하는 일

: 현재 step의 Positive Sample과 Negative Sample을 data 파일로 만든다. 이렇게 하는 이유는 C 프로그램에서 data을 읽어서 연산을 하게 하기 위해서이다.

변경할 것

: StageIndex를 변경한다. [‘01’, ‘02’, ‘03’, ‘04’, ‘05’];

 

4. RunningAdaboost.cpp

하는 일

: 앞에서 만들어진 data 파일로 Adaboost를 수행한다. 콘솔 창에 결과가 나오는데 이 때 ensemble threshold를 적어야 한다. 예를 들어 50개의 feature를 구했을 때 30번 째 feature에서 가장 높은 detection rate이 나왔다면, 30번까지의 weak classifier를 사용하고, 이 때의 ensemble threshold를 저장한다.

 

변경할 것

StageStr: 현재 몇 번째 stage를 선택한다. [‘01’, ‘02’, ‘03’, ‘04’, ‘05’]

nSampPos : Training할 때 Positive Sample의 수를 정한다. 이 값은 이전 stage의 True Positive 결과물의 총 수 이다. (처음에 2000개로 시작했고, 그 뒤로 99% 이상으로 detection 하도록 하므로 그 수가 많이 줄지 않는다. 2000~1960개 정도이다. )

nSampNeg : Training할 때 Negative Sample의 수를 정한다. 이 값은 이전 stage의 False Positive(눈이 아닌데 눈이라고 한 것) 결과물의 총 수이다.

MAX_SEL_HAARFEATS : Training할 때 최대로 고를 weak classifier의 수이다. (처음엔 5개, 나중엔 50개)

TARGET_DETECTRATES : Training할 때 이루고자 하는 Detection Rate이다. 눈인 것을 눈이라고 판단할 확률을 뜻한다. 높을수록 좋다. (99~99.9로한다. 99.9는 이뤄지지 않는다.)

TARGET_FASPOSRATES : Training할 때 이루고자 하는 False Positive Rate이다. 눈이 아닌 것을 눈이라고 판단할 확률을 뜻한다. 이 값은 낮을수록 좋다. 하지만 Detection Rate가 더 중요하므로 처음에 50으로 하고, 40, 40, 30, 30으로 한다.

 

5. Adaboost 결과로 나온 detection rate중에 제일 큰 것을 고르고, 이 때까지의 weak classifier들을 이용한다. (Ensemble threshold)

 

6. ClassificationImgPatches.m

하는 일

: Original Data (2000개의 positive sample과 20000개의 negative sample)을 이용해서 지금까지 구해진 cascade classifier로 그 성능을 확인한다. 이 때 ImagePatchesFP에 False Positive(눈이 아는데 눈이 이라고 판단한 것들)를 넣고, ImagePatchesTP에 True Positive(눈인데 눈이라고 판단한 것들)를 넣는다.

 

변경할 것

nStages: Cascade classifier의 stage 수 (ex: 5 )

nHaarFeats: 각 stage의 Feat 수 (ex: [ 2 2 18 46 32 ] )

EnTheta: 앙상블 Threshold 이다. (ex: [ 1.972628 1.429138 5.95318 13.031949 15.263914 ] )

 

7. ClassificationTestImgPatches.m

하는 일

: 6번 과 같지만 이 경우에는 불러오는 파일이 TestImage이다. 출력 역시 각 stage 별로 다르게 출력한다. 

---

< 최종 결과 >

1. 최종 Cascade Classifier Stage의 정보

stage의 수: 5

각 stage의 weak classifier의 수: [2  2 18 46 32]

앙상블 Theta: [1.972628 1.429138 5.95318 13.031949 15.263914]

 

2. 각 stage의 weak classifier의 정보

1^st Stage – 2개

1 2 3 10 7 -1 -1.783305 2.526809

3 8 10 9 5 1 9.791091 1.972628

 

2^nd Stage – 2개

1 4 3 8 7 -1 -3.171971 1.874435

3 4 2 7 9 -1 -0.810201 1.429138

 

3^rd Stage – 18개

3 4 10 9 4 1 6.808459 1.525790

3 4 12 2 5 -1 -13.331033 1.437209

1 2 6 10 5 -1 -3.820120 1.212505

1 4 3 2 9 -1 -0.102317 1.058418

1 2 6 9 9 -1 -3.624739 1.019184

4 4 6 7 3 -1 -2.511720 0.961889

2 6 12 9 6 1 -8.638466 0.849481

3 4 4 4 9 1 3.647338 0.810230

3 6 4 12 9 1 1.776291 0.784551

4 4 4 10 9 -1 -0.512584 0.713625

3 4 12 3 3 -1 -18.053649 0.774312

3 4 2 7 9 -1 -1.485260 0.661009

1 14 6 3 6 -1 -6.777361 0.741569

2 4 4 12 14 1 2.489414 0.550634

3 4 2 9 9 1 1.501463 0.655922

1 2 3 4 5 -1 -0.681226 0.556494

2 4 12 14 3 -1 11.217278 0.581575

4 6 4 2 2 -1 -3.130276 0.661464

 

4^st Stage – 46개

1 8 6 4 5 -1 -13.723255 1.342095

3 4 10 7 8 -1 -0.166644 1.019747

1 8 6 4 9 -1 -11.607108 0.979140

3 4 4 4 8 1 1.733562 0.929375

3 4 8 2 6 -1 -7.769072 0.863137

3 4 6 9 6 1 5.078303 0.930423

2 8 4 10 9 1 -0.791988 0.757289

1 2 3 9 7 -1 -2.333357 0.798430

3 4 2 5 5 1 -0.281503 0.701132

1 12 9 3 6 -1 -4.524545 0.608245

2 2 10 10 4 -1 3.241875 0.570561

3 4 8 3 5 1 12.549944 0.759196

1 2 6 9 9 -1 -2.059889 0.612315

3 4 4 14 4 1 0.736070 0.585698

4 4 6 2 11 1 2.147331 0.593030

3 4 2 7 2 1 -0.029929 0.619958

2 2 4 2 12 1 -0.175136 0.562325

2 6 6 2 2 -1 -8.077930 0.542914

3 8 4 9 3 1 4.049728 0.607779

4 4 8 7 8 1 6.946658 0.566079

4 4 12 9 3 1 -1.657995 0.524214

1 2 6 10 5 -1 -5.753573 0.558126

3 14 8 2 4 1 -33.886832 0.544941

2 4 4 10 13 1 2.427027 0.573514

2 14 10 2 8 -1 41.907567 0.480028

3 4 10 3 4 1 11.117675 0.576909

3 4 8 2 5 -1 -1.125971 0.520916

2 2 6 9 5 -1 -0.633934 0.474676

4 4 4 7 3 -1 -1.752848 0.516555

1 2 9 7 2 1 -3.975001 0.438249

3 4 4 3 4 -1 -7.531776 0.513478

2 4 8 9 8 1 -1.101853 0.556179

3 6 6 8 2 1 4.482038 0.419787

1 12 6 2 10 -1 -12.997420 0.439724

3 10 6 5 5 -1 18.056747 0.521349

4 4 4 9 13 -1 -1.196310 0.441256

1 8 3 9 12 1 -3.699670 0.452718

2 4 4 13 14 1 2.972897 0.574380

3 4 8 7 9 -1 -0.770385 0.480009

3 8 2 6 3 1 1.839537 0.502980

3 4 6 2 6 -1 -14.266409 0.456829

3 4 4 12 14 -1 4.086133 0.598807

3 6 2 12 12 1 1.486649 0.554768

1 4 6 3 11 -1 -1.984101 0.528323

1 2 3 9 11 -1 -2.138184 0.497750

2 8 10 10 3 1 -12.356895 0.566606

 

5^st Stage – 32개

3 10 10 8 3 1 1.274112 3.574618

3 4 8 2 2 -1 -11.271421 1.665439

1 2 6 5 9 -1 -0.073289 1.413273

3 4 8 7 7 -1 -0.764539 1.755485

1 4 6 4 4 -1 -0.071697 1.079075

1 10 3 8 15 -1 7.407773 1.205235

2 12 4 5 2 -1 -3.109233 1.351079

4 6 12 3 6 -1 -12.277257 1.016578

3 4 2 13 11 -1 3.004925 1.242843

3 12 6 2 8 -1 -4.033722 1.101896

2 10 8 8 4 -1 -0.540098 1.020251

4 4 6 7 8 1 0.646353 1.082522

2 8 4 3 9 1 1.688832 1.000466

2 14 4 4 11 -1 8.038050 1.141529

4 10 4 7 8 1 -3.347642 1.112923

1 2 9 5 8 1 3.185360 1.184412

1 4 6 4 4 -1 -0.071697 1.021481

4 4 8 3 4 1 3.026764 0.951542

4 12 12 3 5 1 -13.503617 1.088261

2 4 4 7 3 -1 -3.519507 0.985864

3 6 4 9 10 1 4.776243 1.034168

4 10 4 8 11 1 -2.613408 0.901441

2 2 14 16 3 -1 6.462424 1.182382

2 2 8 2 8 1 3.657043 1.030238

4 12 12 5 4 1 -16.898752 1.037096

3 4 4 3 3 -1 -2.259627 1.082859

4 8 4 4 4 -1 -2.857618 0.900357

2 2 14 14 3 1 -10.485248 1.063798

1 2 12 2 4 1 2.524057 0.944142

3 6 8 8 2 1 0.304395 0.914376

3 4 2 3 6 1 1.203747 1.033354

3 4 6 14 8 1 1.014778 0.953995

3. 각 stage별 테스트 결과

0. stage를 거치기 전의 수

Test Negative Sample의 수: 3502 개

Test Positive Sample의 수: 260 개

1. stage1에서 false positive patch의 수와 true positive patch의 수

False positive patch의 수: 2032 개

True positive patch의 수: 253 개

2. stage2에서 false positive patch의 수와 true positive patch의 수

False positive patch의 수: 385 개

True positive patch의 수: 178 개

3. stage3에서 false positive patch의 수와 true positive patch의 수

False positive patch의 수: 215 개

True positive patch의 수: 157 개

4. stage4에서 false positive patch의 수와 true positive patch의 수

False positive patch의 수: 90 개

True positive patch의 수: 129개

5. stage5에서 false positive patch의 수와 true positive patch의 수

False positive patch의 수: 89 개

True positive patch의 수: 129 개

Assignment.vol1.z01

Assignment.vol1.z02

Assignment.vol1.z03

Assignment.vol1.z04

Assignment.vol1.z05

Assignment.vol1.z06

Assignment.vol1.z07

Assignment.vol1.z08

Assignment.vol1.z09

Assignment.vol1.z10

Assignment.vol1.z11

Assignment.vol1.zip