这份投影片内容大概是介绍使用前面所讲过的classifica.pptVIP

* 那作testing就是輸入一組待辨識的測試圖 跑完classify之後會有這些classification result 在這些classification result上面會有correct就是辨識正確的部分以及false positive辨識錯誤的部分 那去統計出detection正確率 以及false positive的比率 油這兩個數值可以看出做出來的detection system表現好不好 * 納在這整個detection system當中的feature extraction的部分 可以使用不同的feature來實作 像是這個Gray的feature 他是對pixel pattern先作histogram equalization後在masking掉不重要部份的處理 Gradient就是先作historgram equalization在作sobel filtering標出邊緣 Wavelet的feature就是做完用Haar wavelet轉換後的再作normalization * 這張ROC實驗圖結果圖顯示了使用不同feature的表現 從圖中可以看出用Gray Feature就比其他的組合好 * 一樣的我們也可以選用不同類型的positive training set來training classifier 這邊對兩種positive training data作了比較 左邊這種是real 就是從圖片上擷取下來的真實的人臉 右邊的這種是synthetic 他是從3d morphing(混合) model所做出來的3d人頭上節取下來的人臉圖 合成圖除了來自於不同人頭模型外 還包含了頭的角度的旋轉以及光照的的改變 * 這張ROC實驗圖比較了positive training data不同的表現 可以看出使用真實的positive training data的表現比較好 * 相同的 classifier也可以選用不同的架構 這張實驗圖比較了使用2nd polynomial, linear SVM, 跟LDA的表現 從圖中可以看出2nd polynomial的表現較linear SVM好 LDA的表現最差 * 在作這個object detection的時候 其實就像是在用一個樣板(template)在比對圖像中是不是有符合的地方 如果我們以global的方式 也就是用整張人臉部的圖形來作training以及classification的話 就像是使用單一固定的樣板來比對 如果遇到照片中的臉部有姿勢的轉動的時候 那這個樣板就很容易對不准會讓detection的效果變差 如果改用先增測出有意義的一些components 再以component彼此之間的排列位置來判斷是不是人臉的話 他所形成的component template比較不會受到姿勢變動的影響 * 那作component-based detection就有兩個階段 下面以兩個眼睛 一個鼻子 一個嘴巴這四個component作為例子 每一個component都有自己的component classifier 那第一個階段就是這個pixel pattern輸入後 對每個component作classification的動作 出來的結果就是這些result image 對result image上的點來說 如果他的亮度越強 就代表classifier認為在這個位置上很有可能是這個component 相反的越黑代表越不可能是這個component 第二個階段就是把每個result image上強度最高的位置認為是那個component的存在 再把這些位置的資訊餵到一個geometric classifier中 Geometric classifer以位置資訊判斷是不是一張人臉 下面這張圖是個辨識的結果 * 下面這三張是作者用十四個component來作 找出來的人臉的一些例子 * 這個實驗結果圖比較了global以及component的表現 在test data人臉有轉動的情況下 Component的表現比global的表現要來的好很多 * 在使用component-based的detection的時候 對一個component來說 可以加入人臉的其他部位的節圖到他的negative training set當中 讓這個component能夠辨識的更準確 拿右鼻翼這個部位為例子 他的positive training set就是這些正確的右鼻翼圖 在negative training set中就有 這個non facial negative就是一些非人臉的一些雜圖 另外一種就是facial negative 就是人臉上取下來的一些非右鼻翼的截圖