hyren_20090522_CVPR2009_PedestrianDetection.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * HOG feature(6/9) Cell C0 C1 C2 C3 HOG histogram Cell C0 C1 C2 C3 interpolated voting Cell C0 C1 C2 C3 HOG histogram Cell C0 C1 C2 C3 interpolated voting * Cell C0 C1 C2 C3 dx 1-dx dy 1-dy HOG feature(7/9) 三线形插值 HOG histogram of block Cell C0 C1 C2 C3 9 orientation bins for each cell * HOG feature(8/9) HOG特征快速计算方法 对输入图像计算梯度图像，然后计算9个梯度方向的梯度加权的积分图 对某个区域求HOG特征，相当于在这9个积分图中求对应区域内像素的灰度和 计算速度大大加快，所有使用Boosting分类的HOG分类器必follow * HOG feature(9/9) 一些HOG特征的变种 C-HOG cell排列圆形的HOG特征，性能无明显提升 Multi-size HOG cell的长宽比可调节，大小可调节，位置可调节 使用Boosting框架进行特征选择 Pyramid HOG 将图像作尺度变化，对不同尺度稠密采样提取HOG 增强了HOG的判别力，与IK-SVM结合性能优秀 * Orient Histograms of Flow(1/2) 光流(optical flow) 物体运动时图像上对应点亮度模式的表观运动(apparent motion)称作光流 光流表达了图像的变化，它包含了目标运动的信息，因此可被用来确定目标的运动情况 * Orient Histograms of Flow(2/2) Orient Histograms of Flow 考查光流变化的方向，而不是空间梯度方向 3x3cell组合一个block，考查中心cell与周围8个cells的光流变化，统计光流梯度直方图 给予不同的cell不同的权值—— IMHwd (internal motion histogram using Haar wavelet like operators) * SVM classifiers(1/5) SVM classifiers Linear SVM RBF Kernel SVM Intersection Kernel SVM Kernel SVM高计算复杂度，m支持向量n维特征，计算复杂度至少O(mn) * SVM classifiers(2/5) Intersection Kernel SVM快速计算 令i固定， 表示 升序排列，r是满足 的最大整数，得到 * SVM classifiers(3/5) Intersection Kernel SVM快速计算 A与B均独立于输入样本，只与支持向量有关 如果我们预先计算了所有的 ，对于任何一个输入样本，只需要先利用二分法查找到r，然后利用线形插值就可以得到结果。复杂度下降到了O(nlogm) 使用分段线形函数去近似h可以使速度得到进一步提升 * SVM classifiers(4/5) IK-SVM分类面 * SVM classifiers(5/5) SVM分类面对比 - +表示与支持向量相似的区域 Liner SVM + 支持向量 RBF kernel SVM + - IK-SVM - + * Boosting classifiers(1/2) AdaBoost classifiers The cascade framework * Boosting classifiers(2/2) MPLBoost: Multiple Pose Boosting 同时训练K个强分类器，分类器输出值是这个分类器响应值的最大值 对于一个扫描窗口，如果有一个强分类器认为是positive就是positive，如果所有强分类器认为是negative才是negative 训练过程中，只有被所有强分类器错分的样本权值保持不变 类似于Cluster Boosted Tree，不同的是样本权值的更新策略 * Overview Author information Abstract Related algorithm introduction Paper content Experimental Result Conclusion * Experimental Resu