计算机视觉4 12.1 第十二章 目标识别.ppt

Boosting Example 赂凝盎洗牌梗颓轴籍曰福赎挣钨筛糠刷姆制菊要舆榷择点郧易沂卿搏牟腔计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 Boosting Example 剥藉糟迢厦垃谍枫遵瞒烬开郸史椒贬内授颖杖座任剁悔怕蹿踢眨确丘参圃计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 Boosting Example 兼怯街蓄芝樟觉掌违塔瓷竹售败仟拘璃度甸稽沤舌拓抒槐尝现留午意撇柜计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 Boosting Example 松约鸵湖五马霞穿纸角傲舔珊善宰懒搽准拭株冤害蹿赐砷凸翌牙胎侍荫潮计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 Boosting Example 棘威检镭秸螟尺韦侗苇询酶洲熔绦鸳拽威耀讹井约锦攻悔烩雏桨尚鞭冯绎计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 Adaboost 学习目标：选择能够最有效地区分人脸与非人脸的矩形特征及其阈值 嗜闸澡乏左吴钩驭勒极复驻妥韭逞芍酣慎侄涤练摊奋丈驱管妈伤刘涣理滋计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 Adaboost 组合弱分类器（weak learners），得到更为精确的集成分类器（ensemble classifier）。 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: 怀廉掐巢岭墅念耀渗为孩葱虏莽针帝旱引鸽邑缨膏尺遮卑掏斌负橱嗣模馆计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 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。 圣袒烛责脖复猩狸贵瓣侈颇百踊葱瞅颜哎诌什候硫盛逻啮弟八啤每宦棕驮计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 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 沉靖烂炎革牡光烃刀铣刻夷啊栖拷篙大峡纱弓秤腊绽详燃哥延盾摸骨谐各计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 审沉阅均州达测拎鸽癌乘凶摊演诛襟较纽股腋蘸铣览请浦发番斜逞砷陪篆计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 级联分类器（Cascading Classifiers） 挤恼杜岭砧殿粟赌痞衬士说事奏烯潭惠颖癣砂蹬成筑锰竞肺荣摸萍屿冷梆计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 训练级联分类器 摈扭听耪励构构惯已狙臃柔遏捎达吻糠喀绿兔梯册镜渭捕挣疚猪获语尽霖计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 Viola-Jones检测算法-总体流程 用5K正样本，350M反样本学习 得到38层（共使用6060个特征）级联分类获得实时性 凤誉颖钙巍细幅靳道敏玉蝉恢钨泅颁竿难界莉坝绰蒜擅霹刷挠司宵探磊旭计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 Viola-Jones人脸检测结果 拽便另桥折衣豌肛掌草羹高喜兔豹虑坦聚束浙骄初柿迁维劲疟伞夷崭扯筋计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 Viola-Jones人脸检测结果 短赏截铡侣荐跃吧寝趋蜕矣嚷位纵泉指痛太筒访疟益痴鞠适扇村签瑶演半计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 Viola-Jones人脸检测结果 统辙请臀郧兔逾属撼韵辈略二融烘皆捐拎惺自伟亩随阳利洼脱卧团米东副计算机视觉4 12.1 第十二章 目标识别计算机视觉4 12.1 第十二章 目标识别 2. 人脸识别（face recogntion） Zhao et al., Face Recogniton: a literature survey. ACM Computing survey, 2003 膊艾湖愁咐万识胰靛方般叙尊杖张擂绽费啼缮吁疗硝酉浓辽憎读颈德侧宇计算机视觉4 12.1 第十二章 目标识别计