基于樹形檢測器的多標志識別
加入技術交流群
3．1 soft cascade的長度
當選擇好查詢樹，本文就可以開始訓練檢測器了。作者嘗試了不同的soft cascade的長度。本文調整葉子節(jié)點上分類器的閾值，確保兩個檢測器擁有相同的分類結果。
3．2 檢測器的精確度
在本文的框架里，第一部分是整個結構的核心。在soft cascade中設置不同的alpha參數(shù)值，然后對將作為根節(jié)點分類器的soft casca-de嘗試不同的長度。接著，調整每個葉子節(jié)點分類器上的閾值，可以得到如圖4的ROC曲線。本文的soft cascade加WFS樹結構的臺標檢測精確度要優(yōu)于Huang的WFS樹。與此同時，本文框架使用的特征數(shù)也比Huang的要少。本文引用地址：http://www.104case.com/article/195147.htm
對于識別同一家電視臺的不同頻道，本文也采用了改進后的WFS結構。本文收集了9個不同的CCTV頻道中央一至中央九，訓練了一個CCTV系列檢測器，它可以檢測并識別出CCTV標志及其右側區(qū)域里的數(shù)字符號。本文實驗的結果數(shù)據(jù)如表1：
4 結語
本文實現(xiàn)了一個基于多層樹形分類器結構的多臺標識別方法，此方法具有對多類別標志識別的通用性。本文雖然在檢測樣本的平均特征數(shù)上有進一步減少，提高了算法的速度，并且在分叉樹的葉子每個節(jié)點上增加了一個單類別cascade，降低了誤檢率。但是這種查詢樹結構在增加新類型臺標時，需要重新生成和訓練，花費大量時間。如果能找到一種增量學習算法，在增加新類別時，只需要對原有的查詢樹做局部修改，而不用全盤推翻重新計算，則該框架將更具實用性。
評論