目标识别-Adboost课件

1、第十二章 目标识别Lecture 12 Object Recognition目标识别怎样识别图像中物体，如汽车、牛等？目标识别的应用难点之一: 如何鲁棒识别？类内差异（intra-class variability）类间相似性（inter-class similarity）难点之二：计算量大一幅图像中像素个数多，目前每秒约产生30G像素的图像/视频数据。- Google图片搜索中已有几十亿幅图像- 全球数字照相机一年产生180亿张以上的图片（2004年）- 全球一年销售约3亿部照相手机（2005）人的物体识别能力是强大的- 灵长类动物约使用大脑皮层的一半来处理视觉信息 Felleman and

2、 van Essen 1991- 可以识别3,000-30,000种物体- 物体姿态可允许30度以上的自由度。物体识别方法检测(detection)vs. 不检测表示(representation)- 颜色、纹理、边缘、梯度、局部特征、深度、运动等等。分类(classification or categorization)- K近邻（KNN）- 神经网络（NN）- 支持向量机（SVM）- Boosting(Adaboost等)- 隐马尔科夫模型（HMM）-其他生成学习（Generative learning）vs. 判别学习 （discriminative learning）判别学习方法14物

3、体检测Car/non-car Classifier在复杂背景下，通过滑动窗口（sliding windows）搜索感兴趣的物体。物体检测Step1. 获取训练数据Step2. 提取特征Step3. 训练分类器Step4. 利用分类器进行检测人脸检测（Face detection）Viola-Jones人脸检测算法（基于AdaBoost）Viola-Jones人脸检测算法(2004)滤波器设计特征提取算法思路分类器训练 -单个弱分类器 弱分类器中，x表示检测子窗口，f表示特征， 为阈值，对于每一个特征，训练一个弱分类器h，就是确定最佳的阈值，使得弱分类器对所有样本的分类误差最低。具体过程如下：1

4、、对于每一个特征f计算所有训练样本的特征值；2、将特征值排序；3、对排好序的每个元素 计算全部正例特征值和T+ 计算全部负例特征值和T- 计算当前元素前所有正例特征值和S+ 计算当前元素前所有负例特征值和S-4、计算分类误差： 为 取最小时对应的元素。弱分类器 1算法思路分类器训练-单个强分类器增加权重算法思路分类器训练-单个强分类器增加权重算法思路分类器训练-单个强分类器弱分类器3算法思路分类器训练-单个强分类器最终的分类器是由很多个弱分类器线性组合而成算法思路分类器训练-单个强分类器Adaboost组合弱分类器（weak learners），得到更为精确的集成分类器（ensemble cl

5、assifier）。弱分类器：性能仅比随机分类稍好根据矩形特征定义弱分类器:Adaboost算法步骤初始给每个训练样本以同等权重循环执行以下步骤：根据当前加权训练集，选择最佳弱分类器提升被当前弱分类器错分的训练样本的权重按照各弱分类器分类精度对其加权，然后将各个弱分类器形成线性组合，得到最终分类器。Viola-Jones算法中的AdaBoost每一次boosting迭代如下: 评价每一个样本上的每一种矩形特征 为每一种矩形特征选择最佳分类阈值选择最优的矩形特征及其阈值组合 改变样本权重计算复杂度: O(MNT) M：特征数，N：样本数, T：阈值数级联分类器（Cascading Classifiers）训练级联分类器.非目标非目标非目标非目标目标算法思路分类器训练-级联分类器最终的分类器以XML形式输出，在进行目标识别时可以直接调用，不需要多次训练Viola-Jones检测算法-总体流程用5K正样本，35