基于多个线性分类器的快速人脸检测方法.ppt

基于多分类器综合的快速人脸检测方法 梅 林 2002/8/29 问题描述 问题的特殊性 人脸检测问题—特殊的两类问题：待区分的两类物体（人脸、非人脸）的先验概率差别很大： P(人脸) P(非人脸) 时域卷积 = 频域相乘！ 只要事先将图象变换到频域，相乘后，再反变换回时域即可。 快速傅立叶变换算法（FFT）— 将原本是N*N的计算量减少到了N/2*log2N，使得信号在频域和时域中的转换变得十分快速。 * Face (target) Detector 输入图像 Comments: 灰度→彩色 人脸 vs. 物体 Face Finder 检测结果 输入图像 分类器 对每层、每个位置取L×L的窗口 解决方法：Scale-Position 对源图像按1:f的比例构造不同尺度的金字塔 f=1.2 存在的问题 对图像金字塔的每一层、每一位置都要取一L×L的窗口，然后判断该窗口是人脸的可能性。 有哪些信誉好的足球投注网站代价很大，对1000× 2000的图像,光是有哪些信誉好的足球投注网站一层就要进行 2×106 次窗口计算！ 影响速度的因素还有：每一窗口的计算量 解决思路 问题的背景—特殊性 由粗到精的检测策略 粗检阶段分类器的设计 细检阶段分类器的设计 问题背景 人脸 ? 非人脸 ? 40×40 40×40的灰度图像所能表示的物体（样本）空间范围是： 25640×40！个 彩色图像？范围更广！ 这样大的空间分布表示着我们的世界，而人脸在其中只占很少的一部分 Q：人脸的分布在这样的空间里是怎样的？ 高维空间，描述困难，但直观上应该是这样的分布： 特点：很大一部分空间可以快速排除！ 人脸 非人脸 解决思路 由粗到精、逐步细化的检测策略 在开始阶段使用快速的检测方法，尽可能多地缩小候选区域范围 初始阶段的分类器应具有这样的原则： —算法简单（线性分类器） —有快速算法 经过粗检应能排除掉80％以上的候选区域，然后再构造更细致的分类器（SVM...）对剩下的候选点进行二次检测，依此，还可进行三次、四次……检测以保证精度。 检测流程 Why 线性分类器？ 计算简单 ★线性分类→感知器→投影→卷积 x为d＝L2维的样本向量，w为权向量： 由训练样本，学习得到权值 w, w0 （缺点：容易陷于局部最优，而得不到全局最优解，GA？） 感知器模型 线性不可分问题 多层感知器（MLP） 其它类型神经网络 缺点：过学习问题（推广能力不强），原因？ 问题的要求 好在我们的问题并不要求设计一个分类器就能解决很多问题 一个分类器：可以把精度训练得很高，但推广性差 多个分类器：针对不同的阶段训练不同的分类器，更灵活，既可以解决速度问题，又可以保持很高的精度，还能把虚警降至最低。 训练策略 非人脸 人脸 抛去部分占全部非人脸最大 线性分类器1 抛去部分占第一次所剩非人脸最大 线性分类器2 。。。。 最后，得到 训练非线性分类器！ → 线性鉴别分析(LDA) 类间散布矩阵 类内散布矩阵 Fisher准则 d维样本空间（投影）→一维样本空间： SVM K：(2rx+1)×(2ry+1) 二维卷积（2D Convolution） Matlab里：conv2, filter2 技 巧 训练数据： 人脸—CMU 2429 + 自建 2263＝4692 非人脸—CMU 4548 + 自建 22844＝27392 规一化 → 19×19 实验结果 * * * * *