Download
adaboost detekce objektu v obraze n.
Skip this Video
Loading SlideShow in 5 Seconds..
ADABOOST Detekce objektu v obraze PowerPoint Presentation
Download Presentation
ADABOOST Detekce objektu v obraze

ADABOOST Detekce objektu v obraze

128 Vues Download Presentation
Télécharger la présentation

ADABOOST Detekce objektu v obraze

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. ADABOOST Detekce objektu v obraze

  2. Obsah • Úvod do problému • Řešení • Reálné příklady

  3. Idea detektoru • Detektor objektu pro fixní velikost okna • Klasifikátor je objekt/není objekt - 2 druhy chyb • False positive (FP) – halucinace objektu • False negative (FN) – přehlédnutí objektu • Jednoduché příznaky/filtry • Výběr filtrů a jejich kombinace=adaboost • Hypotéza • Projdi obraz všemi okny velikosti větší než 24x24

  4. Řešení • Bootstrap algoritmus - Adaboost • Rychlé příznaky • Sekvenční trénování

  5. Bootstrap algoritmus • Vezme jednoduchý (slabý) klasifikátor, který nemá dobrou přesnost • zkombinuje slabé klasifikátory tak, aby celek dosáhl požadované přesnosti. • Výhoda – použití „rychlých“ klasifikátorů bez obětování přesnosti

  6. Adaboost • Vytváří silný klasifikátor pro klasifikaci dat xi kombinací slabých klasifikátorů h(xi) • i je váha, kterou potřebujeme nastavit trénováním

  7. Adaboost – příklad

  8. Idea – Rychlé příznaky/filtry • Příznaky/filtry, které mají charakter hranových detektorů • Výpočet odezvy filtru h(f(x,y)) • pro každý filtr musíme zvolit práh T

  9. Výpočet odezvy filtru – zrychlení • Protože to budeme dělat opakovaně, musí být výpočet efektivní • Idea : integrální obraz • Efektivně vypočten v jednom průchodu • Oblast 4 = D + A – (C+B)

  10. Adaboost pro detekci objektů • Rozhoduje jak vybrat z filtrů • Vstup • Příklady objektu a ne-objektů • Hodně filtrů (různé typy, velikosti, pozice) • Algoritmus pro konstrukci silného klasifikátoru f(x) tvořeného lineární kombinaci jednotlivých slabých klasifikátorůht(x)

  11. Adaboost - algoritmus • Máme dána trénovací data (xi,yi). Na začátku jsou váhy stejné pro všechny data. • Pro t=1:T • Spočtu chybu tpro každý filtr • vyberu filtr s nejmenší chybou • Nastavím t • Převažím příklady (boosting) aby špatně zařazená data měli větší váhu • Přidám slabý filtr s váhou t

  12. Příklady detekce tváře • Vybrané příznaky/filtry jsou smysluplné • 100% nalezených tváří, 40% FP-halucinace tváře

  13. Sekvenční rozhodování • Kombinace filtrů • První filtr provede prahování  zbytek zůstane • V prvním kroku bylo 80% ne-tváří, atd. H1 H2

  14. Reálnépříklady

  15. Literatura • Viola & Jones – Bootstrap algorithm for face detection • Freund – “An adaptive version of the boost by majority algorithm” • Matas – Lecture Adaboost