基于樹(shù)形檢測器的多標志識別
加入技術(shù)交流群
3．1 soft cascade的長(cháng)度
當選擇好查詢(xún)樹(shù)，本文就可以開(kāi)始訓練檢測器了。作者嘗試了不同的soft cascade的長(cháng)度。本文調整葉子節點(diǎn)上分類(lèi)器的閾值，確保兩個(gè)檢測器擁有相同的分類(lèi)結果。
3．2 檢測器的精確度
在本文的框架里，第一部分是整個(gè)結構的核心。在soft cascade中設置不同的alpha參數值，然后對將作為根節點(diǎn)分類(lèi)器的soft casca-de嘗試不同的長(cháng)度。接著(zhù)，調整每個(gè)葉子節點(diǎn)分類(lèi)器上的閾值，可以得到如圖4的ROC曲線(xiàn)。本文的soft cascade加WFS樹(shù)結構的臺標檢測精確度要優(yōu)于Huang的WFS樹(shù)。與此同時(shí)，本文框架使用的特征數也比Huang的要少。本文引用地址：http://dyxdggzs.com/article/195147.htm
對于識別同一家電視臺的不同頻道，本文也采用了改進(jìn)后的WFS結構。本文收集了9個(gè)不同的CCTV頻道中央一至中央九，訓練了一個(gè)CCTV系列檢測器，它可以檢測并識別出CCTV標志及其右側區域里的數字符號。本文實(shí)驗的結果數據如表1：
4 結語(yǔ)
本文實(shí)現了一個(gè)基于多層樹(shù)形分類(lèi)器結構的多臺標識別方法，此方法具有對多類(lèi)別標志識別的通用性。本文雖然在檢測樣本的平均特征數上有進(jìn)一步減少，提高了算法的速度，并且在分叉樹(shù)的葉子每個(gè)節點(diǎn)上增加了一個(gè)單類(lèi)別cascade，降低了誤檢率。但是這種查詢(xún)樹(shù)結構在增加新類(lèi)型臺標時(shí)，需要重新生成和訓練，花費大量時(shí)間。如果能找到一種增量學(xué)習算法，在增加新類(lèi)別時(shí)，只需要對原有的查詢(xún)樹(shù)做局部修改，而不用全盤(pán)推翻重新計算，則該框架將更具實(shí)用性。
評論