基于樹(shù)形檢測器的多標志識別
加入技術(shù)交流群
1．1 通用檢測器
Viola在他的人臉檢測中成功地運用了adaboost結構和由haar特征構成的弱分類(lèi)器。OpenCV也給出了該算法的代碼。許多目標檢測的問(wèn)題也經(jīng)常用到Viola的檢測框架，有時(shí)也只是用別的特征集替換了haar特征。
如圖2所示，電視臺標的主要屬性就是它的輪廓特征。在行人檢測中，基于梯度方向直方圖(HOG)的特征是一種描述輪廓的十分有效的特征。這個(gè)特征的缺點(diǎn)是它的輸出是一個(gè)矢量，所以需要用一個(gè)基于支持向量機的弱分類(lèi)器，但是它要花費大量的計算時(shí)間。文獻提出了一個(gè)EHOG特征，它只輸出一個(gè)值，并可以很容易地被Adaboost算法使用。
因此在本文的臺標檢測器中，使用了EHOG特征。對于一副訓練圖像，計算一個(gè)塊Rb里的梯度直方圖，然后在n個(gè)方向分別統計梯度幅度的總和。
n是HOG特征的維數(在中，n=9)，本文中設置為6。
然后，本文使用了中定義的主方向梯度D概念，D是上述區間集的一個(gè)子集，即
，并計算對應D方向的EHOG特征：
為了快速地計算特征，本文也應用了積分直方圖方法。
本文采用了EHOG特征和gentle adaboost訓練了一個(gè)普通cascade結構，然后在所有樁分類(lèi)器中收集全部的弱分類(lèi)器，并用校正算法重新排序它們，得到一個(gè)新的“soft cascade”檢測器。
本文定義為前t個(gè)弱分類(lèi)器的響應值的和。運用了校正算法后，可以得到一個(gè)跡數組trace=(r1，r2，…，rN)。當對一個(gè)樣本x做決策時(shí)，加上每一個(gè)弱分類(lèi)器的響應值ht(x)，然后就將ht(x)和rt進(jìn)行比較，如果低于，就立刻拒絕該樣本。Soft cascade結構的性能要優(yōu)于Viola的Cascade，在獲得相當的檢測性能時(shí)，它需要較少的特征數。這些將會(huì )在后面的實(shí)驗中展示。
第一層的普通檢測器可以拒判大量的背景圖像，卻還不能區別不同類(lèi)的臺標。為了做進(jìn)一步處理，仍需要一個(gè)可以解決多類(lèi)別分類(lèi)問(wèn)題的算法結構。
1．2 分叉樹(shù)
在Huang的工作里，他構建了一棵由粗到精標注了人臉的不同視角的樹(shù)。分叉樹(shù)上的每個(gè)節點(diǎn)分類(lèi)器采用了矢量boosting算法訓練得到，依靠假設輸出空間的矢量化來(lái)解決多類(lèi)問(wèn)題。舉例說(shuō)明，在一個(gè)節點(diǎn)分類(lèi)器上，有四個(gè)可能的輸出矢量((0，O)，(0，1)，(1，0)，(1，1))：(0，0)代表著(zhù)該樣本的檢測將終止于當前節點(diǎn)。(0，1)，(1，0)，(1，1)代表著(zhù)該樣本將會(huì )通過(guò)哪個(gè)孩子節點(diǎn)。
在文獻中，相鄰的視角在分叉樹(shù)里的距離也很近。全部15個(gè)不同視角是根據旋轉角度平分成15份得到的。由于在本文的多臺標檢測中沒(méi)有關(guān)于某兩個(gè)臺標是近鄰的先驗知識，所以不能依靠經(jīng)驗來(lái)構建一棵由粗到精的分叉樹(shù)。例如，當面對圖2中的6類(lèi)臺標時(shí)，在分叉樹(shù)的根節點(diǎn)上，不知道該如何將它們劃分成兩個(gè)子節點(diǎn)。如果將明顯不同的臺標放在同一個(gè)節點(diǎn)里，訓練算法將會(huì )耗費更多的特征才能獲得一個(gè)相對較好的分類(lèi)?；谶@樣的想法，作者認為一個(gè)較好的劃分應該是在固定的迭代次數上利用矢量boosting訓練得到一個(gè)更好的分類(lèi)結果。
假設有N類(lèi)正樣本集，在第一層分叉節點(diǎn)上，就有2N-1-1種組合數可以將一個(gè)包含N類(lèi)的集合劃分成兩個(gè)正樣本子集。
如果盲目地尋找一個(gè)合適的樹(shù)，總的時(shí)間復雜度會(huì )是log(N)*2N，這是無(wú)法實(shí)現的。為了解決這個(gè)問(wèn)題，以下本文將引入一個(gè)貪婪搜索算法。
在一個(gè)二維矢量boosting算法里，正樣本數據被標示為(O，1)或者(1，0)，負樣本數據被標示為(-1，-1)。本文用{S1，S2，…，SN}來(lái)表示所有的數據，那么左邊子節點(diǎn)的數據集就是，右邊子節點(diǎn)的數據集就是
，這里Dleft和Dright是(1，2，…，N)的子集。本文設置檢測率為O．995，迭代次數為10。誤報率被用來(lái)評估算法性能。在矢量boosting算法中，判決準則如下：
對于本文的6類(lèi)臺標數據集，將給出節點(diǎn)劃分的算法流程，這里一個(gè)二進(jìn)制串001001表示一種劃分模式，0代表進(jìn)入左子節點(diǎn)，1代表進(jìn)入右子節點(diǎn)。
算法1劃分節點(diǎn)集合的貪婪搜索算法
輸入：{S1，S2，…，SN}
輸出：劃分模式p
初始化p：p={00，…，0}；
初始化一個(gè)包含比特串的空列表；
評論