ACF在行人檢測取得了不錯的成績，適合剛性目標或者準剛性目標的訓練
1，數據量說明
本文準備了12W+正樣本，以豎直手掌爲主，有部分樣本存在輕微的旋轉
負樣本7k+（不夠，訓練一級分類器就停止了，後面增加到2W+）
2，熟悉acfTrain
輸入 opts=acfTrain returns all default options
opts =
pPyramid: [1x1 struct]
filters: []
modelDs: [100 41]
modelDsPad: [128 64]
pNms: [1x1 struct]
stride: 4
cascThr: -1
cascCal: 0.0050
nWeak: 128
pBoost: [1x1 struct]
seed: 0
name: ''
posGtDir: ''
posImgDir: ''
negImgDir: ''
posWinDir: ''
negWinDir: ''
imreadf: @imread
imreadp: {}
pLoad: [1x1 struct]
nPos: Inf
nNeg: 5000
nPerNeg: 25
nAccNeg: 10000
pJitter: {}
winsSave: 0
在acfTrain的註釋中說明參數的含義
1）pPyramid指定通道特徵，詳細查看chnsCompute.m and chnsPyramid.m。
通道可能被一系列filters的卷積，用於去除局部關聯(查看NIPS14 on LDCF)，用於提高精度但是降低速度
如果filters=[wFilter, nFilter]，這些都是自動計算的
模型維度modelDs(默認爲[100, 41])定義窗口的高度和寬度，padded維度modelDsPad(默認爲[128, 64])確定圍繞目標邊緣拓展的維度，這樣有利於分類。
例如對於100個像素高的行人，128像素高的區域用於決策
pNms控制極大值抑制(bbNms.m)，stride控制窗口步長，cascThr和cascCal是constant soft cascades的閾值和標度
通常cascThr設置爲-1，調整cascCal直到達到期望的召回率
訓練在採樣bootstrapping和分類Adaboost Classifier之間切換
nWeak決定訓練級數和每級中tree的個數，例如nWeak=[32 128 512 2048]確定四級，最後一級有2048棵樹
pBoost指定Adaboost的參數，pBoost.pTree是決策樹的參數(參考adaBoostTrain.m)
seed是隨機種子使得訓練結果reproducible，name指定detector和log文件的路徑
2）訓練數據可以是多種形式的，正樣本可以使用預先裁剪的窗口目錄(posWinDir)或者整幅圖像(posImgDir)+Groundtruth目錄(posGtDir)
負樣本可以使用預先裁剪的窗口目錄(negWinDir)或者使用整幅並不包含任何正樣本的圖像目錄(negImgDir)
如果沒有指定negWinDir也沒有指定negImgDir的話，負樣本使用posImgDir中採集
對於預先裁剪的圖像，尺寸最小爲modelDsPad(默認爲[128, 64])，目標位於裁剪圖像中心不小於modelDs(默認爲[100, 41])
imreadf用於指定加載圖像的常規函數(默認爲imread函數)，imreadp爲imreadf的額外參數
當從整幅圖像採集時，pLoad指定groundtruth是如何被加載的，並且將正樣本集合進行轉換(查看bbGt>bbLoad)
nPos控制訓練時總正樣本(如果nPos=inf，正樣本數量受限於訓練集，默認nPos=inf)
nNeg控制總負樣本數量(默認爲5000)，nPerNeg(默認爲25)限制每個圖像上採集的負樣本數量，nAccNeg(默認10000)控制最大負樣本總數，在bootstrapping過程中累計計數
pJitter用於擾動正樣本，這樣可以增加正樣本數量(默認flip=1)
winsSave如果爲true的話，裁剪的窗口以mat文件形式保存到disk中(默認爲0)