第十二章目標識別課件

二章目標識別二章目標識別1目標識別怎樣識別圖像中物體，如汽車、牛等？目標識別怎樣識別圖像中物體，如汽車、牛等？2目標識別的應用目標識別的應用3難點之一:如何魯棒識別？難點之一:如何魯棒識別？4類內差異（）類內差異（）5類間相似性（）類間相似性（）6難點之二：計算量大一幅圖像中像素個數(shù)多，目前每秒約產生像素的圖像視頻數(shù)據。 圖片搜索中已有幾十億幅圖像 全球數(shù)字照相機一年產生億張以上的圖片（年） 全球一年銷售約億部照相手機（）人的物體識別能力是強大的 靈長類動物約使用大腦皮層的一半來處理視覺信息[] 可以識別種物體 物體姿態(tài)可允許度以上的自由度。難點之二：計算量大一幅圖像中像素個數(shù)多，目前每秒約產生像素的7難點之三：如何在小樣本條件下學習難點之三：如何在小樣本條件下學習8物體識別方法檢測().不檢測表示() 顏色、紋理、邊緣、梯度、局部特征、深度、運動等等。分類() 近鄰（） 神經網絡（） 支持向量機（） (等) 隱馬爾科夫模型（） 其他生成學習（）.判別學習（）物體識別方法檢測().不檢測生成學習（）.判別學習（9生成學習.判別學習兩種分類器學習模式生成學習 目標是學習到符合訓練數(shù)據的類別模型 如算法()判別學習在訓練階段即考慮類別之間的判別信息包括(),,(),(),(),.判別學習算法比生成學習算法表現(xiàn)出更好的分類性能。生成學習.判別學習兩種分類器學習模式10判別學習方法判別學習方法11人臉檢測與識別人臉檢測與識別12.物體檢測

,.,.基于二分類器13.物體檢測,.,.基于二分類器13物體檢測

在復雜背景下，通過滑動窗口（）搜索感興趣的物體。14物體檢測在復雜背景下，通過滑動窗口（）搜索感興趣的物體。物體檢測.獲取訓練數(shù)據.提取特征.訓練分類器.利用分類器進行檢測物體檢測.獲取訓練數(shù)據15人臉檢測（）人臉檢測算法（基于）人臉檢測（）人臉檢測算法（基于）16人臉檢測算法()人臉檢測算法()17濾波器設計濾波器設計18是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構成一個更強的最終分類器(強分類器)。其算法本身是通過改變數(shù)據分布來實現(xiàn)的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。將修改過權值的新數(shù)據集送給下層分類器進行訓練，最后將每次訓練得到的分類器最后融合起來，作為最后的決策分類器。使用分類器可以排除一些不必要的訓練數(shù)據特徵，并將關鍵放在關鍵的訓練數(shù)據上面。

是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器19

20

21

22

23

24

25學習目標：選擇能夠最有效地區(qū)分人臉與非人臉的矩形特征及其閾值學習目標：選擇能夠最有效地區(qū)分人臉與非人臉的矩形特征及其閾值26組合弱分類器（），得到更為精確的集成分類器（）。弱分類器：性能僅比隨機分類稍好根據矩形特征定義弱分類器:組合弱分類器（），得到更為精確的集成分類器（）。27算法步驟初始給每個訓練樣本以同等權重循環(huán)執(zhí)行以下步驟：根據當前加權訓練集，選擇最佳弱分類器提升被當前弱分類器錯分的訓練樣本的權重按照各弱分類器分類精度對其加權，然后將各個弱分類器形成線性組合，得到最終分類器。算法步驟初始給每個訓練樣本以同等權重28算法中的每一次迭代如下:評價每一個樣本上的每一種矩形特征為每一種矩形特征選擇最佳分類閾值選擇最優(yōu)的矩形特征及其閾值組合改變樣本權重計算復雜度:()：特征數(shù)，：樣本數(shù),：閾值數(shù)算法中的每一次迭代如下:29第十二章目標識別課件30級聯(lián)分類器（）級聯(lián)分類器（）31訓練級聯(lián)分類器訓練級聯(lián)分類器32檢測算法總體流程用正樣本，反樣本學習得到層（共使用個特征）級聯(lián)分類獲得實時性檢測算法總體流程用正樣本，反樣本學習33人臉檢測結果人臉檢測結果34人臉檢測結果人臉檢測結果35人臉檢測結果人臉檢測結果36.人臉識別（）.,:.,.人臉識別（）.,:.,37::38圖像像素的集合將由個像素構成的圖像視為維空間中的點圖像像素的集合將由個像素構成的圖像視為維空間中的點39最近鄰分類器最近鄰分類器40使用主成分分析技術（,)減少維數(shù)使用主成分分析技術（,)減少維數(shù)41主成分分析(,變換)降低特征向量的維數(shù)獲得最主要特征分量，減少相關性；避免維數(shù)災難主成分分析(,變換)降低特征向量的維數(shù)42主成分分析(,變換)主成分分析(,變換)43主成分分析(,變換)主成分分析(,變換)44學習.計算訓練圖像的均值和協(xié)方差矩陣..計算協(xié)方差矩陣的特征值，取前個最大特征值對應的特征矢量..將圖像投影到維特征空間（）。識別.將測試圖像投影到..在特征圖像上執(zhí)行分類.學習45:訓練圖像:訓練圖像46第十二章目標識別課件47方法的不足可能損失重要的細節(jié)信息方差最小的方向也可能是重要的沒有考慮判別任務希望得到最具判別能力的特征但判別能力最佳并不等同于方差最大方法的不足可能損失重要的細節(jié)信息48：類特定的線性投影：類特定的線性投影49的線性判別函數(shù)的線性判別函數(shù)50的線性判別函數(shù)的線性判別函數(shù)51示例（）示例（）52基于的識別訓練：根據訓練圖像，利用或方法確定投影矩陣將每個訓練圖像投影到子空間（或）。識別：將測試圖像投影到或。子空間中距離測試圖像最近的訓練圖像對應的類別為識別結果。基于的識別訓練：53：人臉合成平均人臉平均就是美：人臉合成平均平均54：人臉合成：人臉合成55：人臉合成：人臉合成56：人臉合成：人臉合成57：人臉合成：人臉合成58：人臉合成，人臉合成軟件：人臉合成，人臉合成軟件59：人臉合成，人臉合成軟件手動標定人臉：人臉合成，人臉合成軟件手動標定人臉60：人臉合成，人臉合成軟件手動標定人臉：人臉合成，人臉合成軟件手動標定人臉61：人臉