C++人脸识别系统(论文+算法+英文文献翻译+源代码) 第5页
我们从已作标记的例子中来对这些模型的参数进行评估。最直接的方法就是分别对个体的可能分类进行估计，如果每个f的值是离散值，那么将会对出现的f的值进行简单计数。这样一个方法假设每个例子是衡重的。然而，获得数据的不同权重可能会在整个分类函数 出现低分类错误 。因此我们更期望能够估算出整个 的值以便可以直接地将分类错误最小化，这样做的一个方法就是采用Adaboost，将 作为基本分类式。
Adaboost在测试装置中可以保证将错误最小化，而且可以将一般错误的界限最小化。既然我们的基本分类器是一个表格，最终的分类器（一个基本分类器实例中的有利总数）可以分解成一个和基本分类器中一样的表格。最终结果可作为对可能的分配进行评估。
该程序可以通过多个阶段进行扩展，在k阶段，先前的分类k-1可作为Adaboost程序中为第 阶段生成权重的第一个假设。
每个阶段的非目标测试数据由导入程序[23]生成的，取自于先前k-1个阶段的分类器应用于存储非目标图象的大型数据库。
4．实验
我们用目标检测器对十种物体进行实验，象脸面和汽车，我们已经将标准测试集合中的成绩进行了估计。然而，非标准测试装置中存在剩余物体，所有我们需要创建自己的测试装置，力争达到能够适应现实和变化多端的条件，包括亮度，安度和背景。
4．1 汽车
我们对过往车辆进行了检测。该检测器在32x96的输入窗口上操作，而且可以在处理器为Athalon 1。8 GH DE 机子上于一秒内对300x200幅图片进行估计。
我们对汽车检测器的精确度进行估计。该测试装置由170幅图片，其中包含了200张车，如下表格中将我们的识别率和使用其它方法的比率进行了比较（错误检测数= 失误数）。在该实验中，我们使用了UIUC提供的评估软件来对该项实验进行计算。
表1 对车辆进行检测的UIUC 图片数据库中在同等错误率下的识别率
4．2 脸部前沿
我们在32x24的输入窗口中对一个脸部前沿识别器进行操作。该识别器在Athalon 1.8GHZ的处理器上于180ms的时间 内对300x200幅图片进行识别，该计算时间远远比使用基于窗口评估法进行相同操作快的多。
我们对MIT-CMU脸部前沿检测装置的精确度进行评估（包括五幅手画的面部象）下面将我们进行测试的结果和使用其他装置进行测试的结果进行比较，该比较是在不同的识别率中指出错误的检测数。
表2 MIT-CMU脸部前沿检测装置中，错误警告作为识别率的一个功能。
4.3 非平面旋转的面部
我们也通过轮廓来进行检测以此来进行查找。我们创建一个结合了两个轮廓检测器（一个检测左轮廓，另一个检测右轮廓）和脸部前沿检测器的符合面部检测器。整个检测器检测300x200幅图片需要630ms，下面给出在CMU 非脸部前沿检测装置上进行的测试结果：
表3 . 在CMU 非脸部前沿检测装置上，错误警告作为识别率的一个功能。
这些评估比率是可进行比较的，但是我们运算公式的计算时间远远超过了其他[19]。
4.4 其他目标
我们对其他目标进行检测并对检测器进行测试，目标包括静态标志，茶杯，糖碗，热水瓶，乳酪分离器，茶壶，咖啡杯以及推车，对于每一个目标我们都集合了自己的测试装置，在表4-11中显示出了在这些目标上进行各种检测实验的结果。每列反映了检测的初始值，图8显示了一些具体代表性的实例。5 结论
该论文讲述了使用分类目标检测系统的特征表示。它介绍了“基于特征”计算策略，考虑到有判别力的第一阶段在计算成本上要付出较小的代价。它也介绍了一个使用稀疏编码和依次关系的新颖的表示方法。这些结合考虑到了有效和精确的目标识别。
上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] ... 下一页 >>
C++人脸识别系统(论文+算法+英文文献翻译+源代码) 第5页下载如图片无法显示或论文不完整，请联系qq752018766
