地址：https://github.com/luoyetx/JDA
一、算法流程图：
训练过程：
检测过程：
二、类图：
从上图可以看出整个系统主要分为两大模块，数据存储模块与CART模块，两个模块集中于JDA分类器上，整个系统只实例化一个JDA分类器，存储于Config中。
三、细节实现：
- 训练分为5个stage，每个stage训练一个cart森林，这里采用的是Real Adaboost算法：
待补充………… - 在每一轮训练中，会训练K个cart树，训练每一个cart树前开始都会做hard negative mining补充负例，采用的方法如下：
在所有的负例图片中，从第一张开始，滑窗图片上的每个区域，窗口大小固定，与原始人脸图片大小一样，对每一个区域做旋转和反转变换（共八种），然后用该区域通过当前的检测器，如果被检测为负例则丢弃，如果检测为正例，则加入训练集，直至数量达标为止，当训练未结束而负例数据已经用完时，训练会被迫中止。 - 每一棵cart树训练开始前还会对正例和负例数据做一次排序，根据score由大到小排列，采用的排序算法是快排，注意，这里会大量用到增加内存负载的swap操作。
- 做完hard negative mining和排序后，会计算所有数据得分的density_graph：
这个函数并没有实际意义，主要用来辅助理解，引用作者的话
“add a functiondraw_density_graphto view the density distribution of scores+means density of positive scoresxmeans density of negative scores*means at point both positive and negative have the same density”
其输出的是得分的分布情况，横轴表示的是阈值区间，纵轴纵轴表示的是某阈值区间下的样本数量占该类别样本数量的比例，输出如下所示：
从图上可以看出，正例样本分布越靠右，负例样本越靠左，其分类效果越好。
下图是经过一段时间训练后的样本分布，可以看出其差别： - 所有数据权重的计算公式：
其中fi是其score，yi是其label，取值{1（正例）,－1（负例）}，计算完之后会将所有正例和负例分别归一化为1。 -
关于特征的提取：
每一层的特征维度可以设置为不同大小，默认为1000。
训练数据会以原尺寸，二分之一尺寸和四分之一尺寸分别存储，这么做的目的是因为提取特征时，会随机的在三种尺度中选择一种尺度的图片，论文原句如下：
“During split test for an internal node, we extend the shape indexed pixel difference features in [4] to multi-scale. Specifically, we generate three scales of images by down sampling the input image to half and one fourth. To generate a feature, we randomly choose an image scale, pick up two random facial points in the current shape, generate two random offsets with respect to the points and take the difference of the two offsetted pixels as the feature. We found the multi-scale pixel difference feature is more robust to noises and necessary for detection learning. ”接下来会随机选择两个特征点，也就是人脸关键点作为提取基点，然后以这两个基点为中心，在给定的半径内（每一层的半径不同，越往后半径越小）各随机定位一个像素点，然后计算这两个像素点的差值作为特征。
容易计算，假如特征维度为1000，数据数量为10000，那么一个cart树上每个结点的特征数量为10000*1000。
- 关于树上每个结点是用作回归还是分类，以概率p随机选择，概率p随层熟增大而减小。p越大，分类概率越大。
- cart划分采用gini度量指标，回归以最小像素差指标。
