影象分割（2）

• 引言
• 1、人臉檢測
• Haar-like特徵+級聯分類器
• Haar-like特徵
• Haar-like特徵模板
• Haar-like特徵的數量
• Haar級聯分類器
• 弱分類器和強分類器
• 級聯分類器的檢測機制
• 2、行人檢測
• 3、HOG+SVM
• HOG
• SVM基本模型
• 4、DPM
• DPM檢測流程

引言

1、人臉檢測

特徵模板內有白色和黑色兩種矩形， 並定義該模板的特徵值為白色矩形內的畫素和減去黑色矩形內的畫素和。

Haar-like特徵+級聯分類器

Haar-like特徵

Haar-like特徵模板

Haar-like模板可表示出人臉的某些特徵。 例如： 中間一幅表示眼睛區域的顏色比臉頰區
域的顏色深； 右邊一幅表示鼻樑兩側比鼻樑的顏色要深。

Haar-like特徵的數量

Haar級聯分類器

Boosting分類器示意

弱分類器和強分類器

o 一個弱學習器的要求僅僅是： 它能夠以稍低於50%的錯誤率來區分人臉和非人臉影象。
o 訓練一個弱分類器就是在當前權重分佈的情況下， 確定f 的最優閾值， 使得這個弱分類器對所有訓練樣本的分類誤差最低。
o 最後將每輪得到的最佳弱分類器按照一定方法提升（Boosting） 為強分類器。

級聯分類器的檢測機制

o 級聯分類器中每一個強分類器都是對於“非人臉”（即負樣本） 更敏感， 使得每次被強分類器拒絕的， 都幾乎一定不是人臉。 經過所有強分類器考驗的， 才是“人臉”。
o 一幅影象中待檢測的區域很多都是負樣本，只有正樣本才會送到下一個強分類器進行再次檢驗。 這樣由級聯分類器在分類器的初期就拋棄了很多負樣本的複雜檢測。所以， 級聯分類器的速度是非常快的。

2、行人檢測

梯度

3、HOG+SVM

HOG

HOG：對比度歸一化

HOG的步驟

SVM基本模型

鬆弛變數

對映到高維空間

用SVM區分行人與非行人的HOG特徵

4、DPM

DPM檢測流程

o 對於任意一張輸入影象， 提取其DPM特徵圖， 然後將原始影象進行高斯金字塔上取樣， 然後提取其DPM特徵圖。
o 對於原始影象的DPM特徵圖和訓練好的Root filter做卷積操作， 從而得到Root filter的響應圖。
o 對於2倍影象的DPM特徵圖， 和訓練好的Part filter做卷積操作， 從而得到Part filter的響應圖。
o 然後對其精細高斯金字塔的下采樣操作， 這樣Rootfilter的響應圖和Part filter的響應圖就具有相同的解析度了。
o 然後將其進行加權平均， 得到最終的響應圖。 亮度越大表示響應值越大。