欢迎转载,请注明作者@迷途中的前进,以及本文网址。
论文《an extended set of haar-like features for rapid object detection》----人脸检测笔记整理
1 特征
1.1 本文作者扩展了上篇中的特征如下图所示:
1.2 特征数量的计算
设X=[W/w] Y=[H/h]
对于某一个直立矩形的特征数量为:
对于一个旋转45度的矩形的特征数量为:
当W*H的子窗口为24*24像素时:
1.3 积分图
直立积分图与上文的一样,只不过书写代号换一下,上文是用积分图(intergral image)本文用SAT(summed area table),对于旋转的积分图为RSAT(rotated summed area table)。
1.3.1 RSAT的定义
1.3.2 积分图的计算
采用增量方式迭代计算,提高训练和检测时间。公式如下:
示意图如下:
1.3.3 特征的计算
2 stage post-optimization
注:
tm:弱分类器阈值,使用梯度下降法来调整其大小,具体表现为先是慢慢变大,而后再变小,前提是要改善分类器的性能,m=1,2.........M;
h:待优化级的击中率(检测率);
b:偏振,根据期望权重击中率来调整其大小;
M:循环次数,又是弱分类器的个数;Eωp:期望权重击中率;Eωn:期望权重虚警率;
stage post-optimization单看字面意思,是级后优化,也就是说分类器已经训练好了,现在是在原来的基础上进行优化的,既然训练好了,那么,每一个级(强分类器)中弱分类器的数量和权重就确定了。现在是级后优化,在已经生成的分类器的基础上,通过调整每一个弱分类器的阈值tm,使用梯度下降法,找到在目标击中率h下,拥有最小期望权重虚警率的tm和b的组合,找到后重新更新权重ω。
这样,待优化级(强分类器)中每一个弱分类器的阈值都得到调整,偏振b也进行了更新,每一个弱分类器的ω和α也进行了更新,重新组合一个新的级(强分类器器)。
3 结论
本文构造了3个检测系统:
3.1 经典分类器
3.2 加入旋转haar-like特征的分类器
3.3 加入旋转haar-like特征的分类器和进行了stage post-optimization
3.2与3.1相比,在同样的击中率下,虚警率下降了10%左右
3.3与3.2相比,在同样的击中率下,虚警率下降12.5%。总的性能提高大约23.8%。
文献:
1,《 an extended set of haar-like features for rapid object detection 》
2,http://blog.csdn.net/xiaowei_cqu/article/details/8219324