基于Adaboost算法的駕駛員眨眼識別
作者：趙雪竹 王秀 朱學(xué)峰 華南理工大學(xué)自動(dòng)化科學(xué)與工程學(xué)院
時(shí)間：2009-09-08
來源：電子產(chǎn)品世界
收藏
加入技術(shù)交流群
掃碼加入
和技術(shù)大咖面對面交流
海量資料庫查詢
實(shí)驗(yàn)結(jié)果如圖8所示。
從實(shí)驗(yàn)結(jié)果中可以看出利用最終的負(fù)樣本訓(xùn)練生成的分類器能有效的區(qū)分出睜眼和閉眼狀態(tài)，誤檢率大大降低，說明這樣的負(fù)樣本選擇方法行之有效。
三個(gè)實(shí)驗(yàn)結(jié)果誤檢率比較如表1所示。誤檢率為錯(cuò)誤檢測的圖片數(shù)除以圖片總數(shù)。
結(jié)語
本文通過實(shí)驗(yàn)，提出了一種新的負(fù)樣本選擇方法，這樣給我們擴(kuò)展訓(xùn)練樣本量提供了很大的幫助，即應(yīng)用一個(gè)負(fù)樣本截取軟件，通過載入先前訓(xùn)練好的分類器，不斷的收集誤檢的部分來添加進(jìn)負(fù)樣本中，作為下次訓(xùn)練的新的負(fù)樣本，訓(xùn)練新的分類器。不斷循環(huán)重復(fù)這個(gè)步驟，直到達(dá)到能產(chǎn)生有滿意效果的分類器。從三個(gè)實(shí)驗(yàn)結(jié)果看出誤檢率逐漸減少，證明了方法的有效性。在以后的實(shí)驗(yàn)中繼續(xù)采用層層迭代的方式，不斷利用訓(xùn)練好的新的分類器來增加負(fù)樣本，直到訓(xùn)練出更加精確的分類器，為后續(xù)判斷汽車駕駛員疲勞檢測做鋪墊。
評論