基于樹(shù)形檢測(cè)器的多標(biāo)志識(shí)別
加入技術(shù)交流群
外層循環(huán)i=1:N-1
內(nèi)層循環(huán)結(jié)束
p(Selectedidx)=1
將p和其局部最小fp值插入列表；
外層循環(huán)結(jié)束
輸出列表中最小fp值對(duì)應(yīng)的比特串。
有了生成的二叉樹(shù)和soft cascade結(jié)構(gòu)，本文基本上完成了多類臺(tái)標(biāo)的檢測(cè)和識(shí)別。其中一個(gè)重要參數(shù)是soft cascade的長(zhǎng)度，如果選擇較短的cascade，檢測(cè)器看上去更接近并行cascade結(jié)構(gòu)的檢測(cè)器；如果選擇較長(zhǎng)的cascade，分叉樹(shù)可能要面對(duì)很難區(qū)分的負(fù)樣本，從而降
低檢測(cè)性能。本文中，嘗試了很多種不同長(zhǎng)度的soft cascade，然后挑選性能最好的一個(gè)。算法2如下：
算法2混合分叉樹(shù)分類器
輸入：訓(xùn)練好的soft cascade結(jié)構(gòu)，查詢樹(shù)，N類正樣本數(shù)據(jù)集S，還有一個(gè)數(shù)量很大的背景圖像集B；
輸出：一個(gè)混合分叉樹(shù)分類器
(1)初始化：分叉樹(shù)的根節(jié)點(diǎn)用soft cascade結(jié)構(gòu)替代；
(2)樹(shù)的節(jié)點(diǎn)訓(xùn)練：
a．從S集和B集中，挑選出所有可以通過(guò)分叉樹(shù)當(dāng)前節(jié)點(diǎn)E的父節(jié)點(diǎn)的樣本，確保正負(fù)樣本集p和n的規(guī)模相當(dāng)；
b．如果背景圖像集規(guī)模不夠，終止該節(jié)點(diǎn)E的分叉，將E設(shè)為葉子節(jié)點(diǎn)；
(3)在查詢樹(shù)中搜索當(dāng)前節(jié)點(diǎn)：
a．如果找到了，就根據(jù)查詢節(jié)點(diǎn)集合將正樣本集分成兩部分，然后用Vector Boosting訓(xùn)練一個(gè)節(jié)點(diǎn)分類器。
b．否則，就用Gentle Adaboost訓(xùn)練一個(gè)強(qiáng)分類器。
(4)對(duì)于當(dāng)前節(jié)點(diǎn)E的每個(gè)孩子節(jié)點(diǎn)，循環(huán)使用步驟(2)和(3)進(jìn)行訓(xùn)練生成。
3 實(shí)驗(yàn)方案和結(jié)果
本文收集了6類臺(tái)標(biāo)集合，每一類包含了200張圖像。而臺(tái)標(biāo)圖像就是從這些圖像中裁剪出來(lái)的，然后縮放成24×24像素大小的塊，作為正樣本集。負(fù)樣本集則是從將臺(tái)標(biāo)區(qū)域掩蓋掉后的圖像上收集的。首先進(jìn)行了一個(gè)實(shí)驗(yàn)，來(lái)解釋W(xué)FS樹(shù)的不同設(shè)計(jì)方案將會(huì)對(duì)算法性能帶來(lái)怎樣的影響，然后研究了soft cascade長(zhǎng)度帶來(lái)的影響，最后拿隨機(jī)生成的樹(shù)與本文的樹(shù)進(jìn)行對(duì)比。
本文首先使用了文獻(xiàn)中提到的方法訓(xùn)練一個(gè)普通檢測(cè)器，然后將其791個(gè)弱分類器組成了soft cascade。本文用這個(gè)soft cascade對(duì)一組測(cè)試圖像進(jìn)行了測(cè)試，統(tǒng)計(jì)結(jié)果表示每幅圖像通過(guò)的平均特征數(shù)約為8。在實(shí)驗(yàn)中，作者發(fā)現(xiàn)這個(gè)長(zhǎng)度值設(shè)置在平均特征數(shù)的1倍和2倍之間比較合適。
本文使用了上述正樣本數(shù)據(jù)集和規(guī)模為1200的負(fù)樣本數(shù)據(jù)集來(lái)構(gòu)建查詢樹(shù)。最終生成的分叉樹(shù)如圖3所示。
正如分叉樹(shù)所示的，越相似的臺(tái)標(biāo)，它們?cè)跇?shù)里的位置越近。同時(shí)，本文也隨機(jī)地生成了另一個(gè)查詢樹(shù)。使用這兩棵樹(shù)和同樣的訓(xùn)練數(shù)據(jù)集，本文訓(xùn)練了兩個(gè)WFS樹(shù)檢測(cè)器。
評(píng)論