一种基于信息复用的Boosting瀑布型分类器高效训练方法

构建一个基于Boosting的瀑布型分类器往往要花费巨大的计算代价,该文提出一种改进的Boosting瀑布型分类器训练算法,利用不同层级分类器之间的共享信息复用来提高训练速度。该文提出的瀑布型分类器训练方法在两个层次上复用已获得的层级分类器中的信息。在分类器层次上,前一个层级分类器在新的层级分类器训练过程中成为第1个特征,并在当前层级分类器的训练样本集上进行适应性学习;在特征层次上,每一级分类器都直接保留所有前面层级分类器已经学到的特征,并重新在当前层级分类器的训练样本集上进行适应性学习。最后,再通过学习新的弱分类器,加入新特征。在正面人脸检测问题上的实验表明,提出的新算法相比传统方法能够大幅提高Boosting瀑布型分类器的训练速度,提高幅度近10倍,瀑布型分类器的训练时间从将近3天降到了8个小时。     

人脸检测中一种简单有效的合并重合窗口方法

在当前主流的基于统计学习和穷举搜索窗口的人脸检测技术中,使用分类器对每个候选窗口进行分类判决之后,会留下多个重合的人脸候选窗口。为了将多个重合窗口合并为一个,提出一种使用矩形环对一个真实人脸的多个具有重合性质的分类器响应候选窗口进行重合范围限定,并合并多个窗口的策略。提出的矩形环合并窗框方法具有简单、易编程的特点,实验表明了该文方法的有效性。     

负样本信息继承的矩阵式瀑布分类器高效学习算法

针对矩阵式瀑布分类器学习算法在负样本自举过程中无法快速自举出训练所需的高质量样本,自举过程严重影响整体学习效率及最终检测器性能等问题,提出了一种高效学习算法——负样本信息继承的矩阵式瀑布分类器高效学习算法。其自举负样本过程为样本继承与层次自举相结合,首先从训练上一层强分类器所用的负样本集中继承有效负样本,样本集不足部分再从负图像集中自举。样本继承压缩了有效样本的自举范围,可以快速自举出训练所需样本;并且自举负样时对样本进行预筛选,增加了样本复杂度,提升了最终分类器性能。实验结果表明:训练完成方面,本算法比矩阵式瀑布分类器算法节省20h;检测性能方面,比矩阵式瀑布型分类器高出1个百分点;与其他17种人体检测算法性能相比也有很好的性能表现。所提算法较矩阵式瀑布分类器学习算法在训练效率及检测性能上都有很大提升。     

改进的卷积神经网络行人检测方法

为了在行人检测任务中使卷积神经网络（CNN）选择出更优模型并获得定位更准确的检测框,提出一种改进的基于卷积神经网络的行人检测方法。改进主要涉及两个方面：如何决定CNN样本迭代学习次数和如何进行重合窗口的合并。首先,关于CNN样本迭代次序问题,在顺序迭代训练多个CNN分类模型的基础上,提出一种基于校验集正确率及其在迭代系列分类器中展现出的稳定性进行更优模型选择的策略,以使最终选择的分类器推广能力更优。其次,提出了一种不同于非极大值抑制（NMS）的多个精确定位回归框合并机制。精确定位回归框的获取以CNN检测过程输出的粗定位框作为输入。然后,对每个粗定位框应用CNN精确定位过程并获得对应的精确定位回归框。最后,对多个精确定位回归框进行合并,合并过程考虑了每个精确定位回归框的正确概率。更精确地说,最终的合并窗口是基于多个相关的精确定位回归框的概率加权求和方式获得。针对提出的两个改进,在国际上广泛使用的行人检测公共测试数据集ETH上进行了一系列实验。实验结果表明,所提的两个改进方法均能有效地提高系统的检测性能,在相同的测试条件下,融合两个改进的方法相比Fast R-CNN算法检测性能提升了5.06个百分点。     

基于区域非均匀空间采样特征的图像分类方法

大量实验证明抽取图像中稠密局部特征能够大大提高图像分类性能,目前的常用策略是基于空间均匀密集采样来实现稠密局部特征的抽取。该文提出一种新的基于区域非均匀空间采样的局部特征抽取方法。首先,用过分割技术对原始图像进行分割,从而得到图像的分割区域,并采用显著性检测技术估计每个过分割区域的重要性。然后,在保证不增加采样数的情况下,对重要的显著性区域的边界实行密集均匀采样,对区域内部根据区域大小和重要性实行随机采样。最后,采用词袋表示模型来实现图像分类。在两个广泛应用的数据库,8类体育运动(UIUC Sports)和256类自然图像(Caltech-256)数据库进行实验。实验结果证明,该文提出的采样策略进一步提高了基于稠密局部特征的图像分类性能。     

人脸检测中一种简单有效的合并重合窗口方法

在当前主流的基于统计学习和穷举搜索窗口的人脸检测技术中,使用分类器对每个候选窗口进行分类判决之后,会留下多个重合的人脸候选窗口。为了将多个重合窗口合并为一个,提出一种使用矩形环对一个真实人脸的多个具有重合性质的分类器响应候选窗口进行重合范围限定,并合并多个窗口的策略。提出的矩形环合并窗框方法具有简单、易编程的特点,实验表明了该文方法的有效性。