|
以中心為主且適合有效率層級目標檢測的評估
資源天下 2020/3/18 17:29:15
概述
我們描述一個進行目標識別的級聯(lián)方法。該方法應用了“以中心為特色”的評估中一種新穎結(jié)構(gòu)，該評估方法通過多級窗口來重用面部特征評估。 我們通過以下幾種簡化將評估的費用減至最�。� (1) 局限照明標準化，(2) 分離特征作為一附加模式和(3)離散型的特征。 該方法也結(jié)合了一種獨特的特征表現(xiàn)方法。在該層疊方法的初期使用簡單快捷的特征評估，后期則使用更復雜的具有判別能力的特征。 尤其，我們推薦基于稀疏編碼和過濾器回應之間的順序關(guān)系的特征。層疊且以面部為主的評估與越來越具復雜性的特征結(jié)合起來可以提高計算效率和精確度。 我們對在十個目標上進行的實驗情況做一描述，實驗對象包括面部以及汽車。 這些結(jié)果包括在和對汽車識別的UIUC圖片數(shù)據(jù)庫的同等錯誤率下對97%的目標進行了識別。
1 引言
進行目標識別的難題之一是應付目標大小和方位的多樣化。一個目標可以以任意大小出現(xiàn)在一副畫的任何地方，這里有兩個解決該問題的一般方法�！安蛔兪健狈椒ㄔ噲D使用特征幾何量[6][7][25][28]或光度測定道具[4][15][22]的過濾器，該方法的最關(guān)鍵之處是找出具有不變性和具有判別力的特征，尤其是對象面部之類的自然物體。另一個方面，“窮舉搜索“法包括在只有忍受目標位置和大小的有界變差的情況下建立對目標和”非目標“進行區(qū)分的分類器。該方法通過
一副圖中的方位和大小進行詳盡的掃描，以此來找出目標。圖1圖解了該方法，分離器對圖片中的所有“窗口”進行評估。該方法的缺點是象這樣詳盡式的搜索很耗時。
Figure 1。目標檢測的詳細搜索
減少詳細搜索計算成本的一個方法就是如圖2所示那樣來將分離過程細分成子過程，每一個子分類階段對是否拒絕輸入，并將其分類到非目標中去或繼續(xù)用下一個子分類階段對其進行評估。最后被篩選出來的就被歸類到所屬的目標中 。該策略是以最少的計算量來分離出大量的非目標窗口。
Figure 2 子分類的層疊
使用類似層疊方法的思想已經(jīng)沿用了數(shù)十年，而且于70，80年代，在自動目標識別技術(shù)上廣泛使用[3]。近來大量的相關(guān)技術(shù)已經(jīng)應用于面部檢測，包括[2][9][10][14][17][19][21][23][24][26]。尤其，Viola和Jones[24]和他們在研究方法上將層疊和基于整體圖象的有利計算的特征相結(jié)合，并在各方面都取得了進展，使面部檢測的效率提高。
類似Viola和Jones[24]的大部分層疊法應用了我們所介紹過的“基于窗口”的評估法。這些方法對各個窗口進行亮度修正和特征評估。在該論文中，我們介紹另一個可供選擇的“以中心為特點”評估方法，該方法在相互重疊的窗口中重用特征評估。象一個子分類此時可以在不用花費特征評估的成本的情況下使用更多的信息。在一個層疊中的初期，一個子類通�？梢詫盈B窗口的初始數(shù)量減少99%以上，在基于少許合理假設(shè)下，我們將說明如何以計算的效率來
我們使用最初基于面部的子分類階段作為目標識別完整系統(tǒng)中的一部分，層疊法的最初階段使用簡單快捷的特征，而在后面階段將使用較之復雜，且有判別力的特征。實際上，我們推薦基于稀疏代碼和過濾器回應之間順序關(guān)系的新穎特征。最后，我們將講述如何利用（）[20]，我們將論證計算的效率和精確度，并且展示對含有面部和汽車之類十個物體的檢測方法的一般性。
2 基于中心的評估
大部分層疊法基于分類運算法則，并應用“基于窗口“評估方法，在這類方法中所有的評估都和分類窗口有關(guān)。這可用如下公式表示：
.............
附件下載：以中心為主且適合有效率層級目標檢測的評估全文下載
|