Три типа проблем при обнаружении и сегментации целей
Семантическая сегментация
Позиционирование и идентификация цели (Классификация и локализация)
Обнаружение объектов
Основная идея
(1) Значение пикселя белой области минус значение пикселя черной области.
(2) Длина и ширина всех областей каждого ОБЪЕКТА одинаковы.
(3) FEATURE можно переносить по всему изображению, если соблюдаются (1) и (2).
(4) Эти четыре формы можно удалить.
Для изображения размером 24*24 число всех хаараподобных признаков составляет около 200 000.
Чтобы решить проблему чрезмерных вычислений, Виола и Джоне, Робастное обнаружение лиц в реальном времени, Международный журнал компьютерного зрения 57 (2), 137–154, 2004 г., предложили метод преобразования, который преобразует площадь в операцию сложения и вычитания точки,
Изображение(D) =Интеграл(4)+Интеграл(1)-Интеграл(3)-Интеграл(2)
Конструкция классификатора
Возьмите несколько человеческих лиц (около 6000) и несколько нечеловеческих лиц (70 000) в качестве обучающих выборок.
На этом этапе для обучения передаются изображения, функции, пороговые значения и p, и могут быть получены все f (200 000 функций). Для каждого признака f нам требуется оптимальный порог и p, чтобы обучался h. Скорость распознавания — это самый высокий в наборе. Исходя из этого, для каждой функции мы создаем слабый классификатор и используем Adaboost для выбора функций ниже.
Выбор функций с использованием алгоритма AdaBoost
1. Сначала выберите объект с наибольшей точностью в наборе данных D, представленный F1.
2. Разделите набор данных D на две категории: {F1 правильно классифицированные данные} и {F1 неправильно классифицированные данные}.
3. Взять данные, которые F1 классифицирует как ошибочные с большей вероятностью, и данные, которые F1 классифицирует как правильные с меньшей вероятностью, чтобы сформировать новый набор D2.
4. Выберите объект с наибольшей точностью в D2, обозначенный F2.
5. Разделите D на: {данные, в которых F1 и F2 классифицированы правильно}, {данные, в которых F1 классифицированы правильно, но F2 классифицированы неправильно, и данные, в которых F1 классифицирован неправильно, а F2 классифицированы правильно}, {данные в котором и F1, и F2 классифицированы неправильно. }.
6. Возьмем {данные, в которых и F1, и F2 классифицированы неверно} с максимальной вероятностью, возьмем {данные, в которых F1 классифицировано правильно, но F2 классифицировано неправильно, и данные, в которых F1 классифицировано неправильно, а F2 классифицировано правильно} с следующая по величине вероятность, и {данные, в которых F1 и F2 классифицированы правильно} с минимальной вероятностью. F1 и F2 делятся на пары данных}, и получается набор данных D3. 7. Выберите признак с наибольшей
точностью в D3, представленном F3. цикл и так далее.
8. Постройте классификатор, используя линейную комбинацию каждого признака.
Наконец, получены черты Хаара, которые могут характеризовать человеческие лица:
Процесс распознавания лиц AdaBoost:
1. На изображении используйте классификатор для каждого обхода сетки 24*24 и, если это лицо, выведите его.
2. Уменьшите изображение, разделите длину и ширину на 1,2 и используйте классификатор для обхода каждой сетки 24 * 24. Если это человеческое лицо, умножьте координаты положения на 1,2 и увеличьте до исходного изображения.
3. Повторяйте шаг 2, пока изображение не станет менее 24 пикселей в длину или ширину.
Советы. Для моделей, обученных с помощью AdaBoost, для идентификации во время обнаружения можно использовать только угол, использованный для обучения. Для распознавания под разными углами вы можете создать классификаторы AdaBoost с несколькими позами лиц, а после каскада деревьев вы можете получить детектор лиц с несколькими позами.
