基于樹形檢測器的多標志識別
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值對應(yīng)的比特串。
有了生成的二叉樹和soft cascade結(jié)構(gòu)，本文基本上完成了多類臺標的檢測和識別。其中一個重要參數(shù)是soft cascade的長度，如果選擇較短的cascade，檢測器看上去更接近并行cascade結(jié)構(gòu)的檢測器；如果選擇較長的cascade，分叉樹可能要面對很難區(qū)分的負樣本，從而降
低檢測性能。本文中，嘗試了很多種不同長度的soft cascade，然后挑選性能最好的一個。算法2如下：
算法2混合分叉樹分類器
輸入：訓練好的soft cascade結(jié)構(gòu)，查詢樹，N類正樣本數(shù)據(jù)集S，還有一個數(shù)量很大的背景圖像集B；
輸出：一個混合分叉樹分類器
(1)初始化：分叉樹的根節(jié)點用soft cascade結(jié)構(gòu)替代；
(2)樹的節(jié)點訓練：
a．從S集和B集中，挑選出所有可以通過分叉樹當前節(jié)點E的父節(jié)點的樣本，確保正負樣本集p和n的規(guī)模相當；
b．如果背景圖像集規(guī)模不夠，終止該節(jié)點E的分叉，將E設(shè)為葉子節(jié)點；
(3)在查詢樹中搜索當前節(jié)點：
a．如果找到了，就根據(jù)查詢節(jié)點集合將正樣本集分成兩部分，然后用Vector Boosting訓練一個節(jié)點分類器。
b．否則，就用Gentle Adaboost訓練一個強分類器。
(4)對于當前節(jié)點E的每個孩子節(jié)點，循環(huán)使用步驟(2)和(3)進行訓練生成。
3 實驗方案和結(jié)果
本文收集了6類臺標集合，每一類包含了200張圖像。而臺標圖像就是從這些圖像中裁剪出來的，然后縮放成24×24像素大小的塊，作為正樣本集。負樣本集則是從將臺標區(qū)域掩蓋掉后的圖像上收集的。首先進行了一個實驗，來解釋WFS樹的不同設(shè)計方案將會對算法性能帶來怎樣的影響，然后研究了soft cascade長度帶來的影響，最后拿隨機生成的樹與本文的樹進行對比。
本文首先使用了文獻中提到的方法訓練一個普通檢測器，然后將其791個弱分類器組成了soft cascade。本文用這個soft cascade對一組測試圖像進行了測試，統(tǒng)計結(jié)果表示每幅圖像通過的平均特征數(shù)約為8。在實驗中，作者發(fā)現(xiàn)這個長度值設(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的負樣本數(shù)據(jù)集來構(gòu)建查詢樹。最終生成的分叉樹如圖3所示。
正如分叉樹所示的，越相似的臺標，它們在樹里的位置越近。同時，本文也隨機地生成了另一個查詢樹。使用這兩棵樹和同樣的訓練數(shù)據(jù)集，本文訓練了兩個WFS樹檢測器。
評論