目標(biāo)檢測魯鵬北京郵電大學(xué)我們將要學(xué)習(xí)什么？目標(biāo)檢測簡介人臉檢測行人檢測我們將要學(xué)習(xí)什么？目標(biāo)檢測簡介人臉檢測行人檢測目標(biāo)類別檢測專注于目標(biāo)搜索：“它在哪里？”構(gòu)建可快速區(qū)分對象區(qū)塊與背景區(qū)塊的模板目標(biāo)還是非目標(biāo)？……來源：JamesHays目標(biāo)類別檢測的挑戰(zhàn)光照目標(biāo)姿態(tài)背景雜波類內(nèi)差異遮擋

視點(diǎn)來源：K.Grauman非目標(biāo)類別檢測的挑戰(zhàn)錯(cuò)誤的定位與相似物體混淆難以分辨不同的物體背景雜波正確檢測來源：JamesHays目標(biāo)檢測算法設(shè)計(jì)挑戰(zhàn)如何有效地搜索可能的目標(biāo)即使是簡單的模型也需要搜索數(shù)十萬個(gè)位置和尺度。特征設(shè)計(jì)和評分外觀特征應(yīng)該如何建模？哪些特征對應(yīng)于該目標(biāo)？如何應(yīng)對不同視點(diǎn)？通常針對不同視點(diǎn)訓(xùn)練不同的模型我們將要學(xué)習(xí)什么？物體檢測簡介人臉檢測行人檢測看一看最先進(jìn)的人臉檢測器?。˙orisBabenko提供）人臉檢測來源：Svetlana

Lazebnik應(yīng)用程序：AppleiPhotoiPhoto認(rèn)為是人臉的目標(biāo)來源：Svetlana

Lazebnik“尼康S60最多可檢測12張面孔?！眮碓矗篠vetlana

Lazebnik人臉檢測與識別檢測識別“Sally”來源：Svetlana

Lazebnik人臉檢測的挑戰(zhàn)滑動(dòng)窗口=數(shù)以萬計(jì)的位置評估一張百萬像素圖像有約106個(gè)像素，包含大量的可選面部位置面孔很少：每張圖像0–10個(gè)為了提高計(jì)算效率，在非人臉窗口上花費(fèi)盡可能少的時(shí)間。對于1Mpix的圖像，為了避免誤檢測，每張圖像的假正率必須小于10-6來源：JamesHays使用Viola-Jones進(jìn)行滑動(dòng)窗口人臉檢測來源：Svetlana

LazebnikP.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR2001.P.ViolaandM.Jones.Robustreal-timefacedetection.IJCV57(2),2004.一種簡單的魯棒學(xué)習(xí)算法Freund&Shapire,1995Friedman,Hastie,Tibshhirani,

1998提供了有效的視覺特征Tieu&Viola,

2000Viola&Jones,2003易于實(shí)施，不需要外部優(yōu)化工具。為什么使用boosting？

每個(gè)數(shù)據(jù)點(diǎn)都有一個(gè)類標(biāo)簽：和一個(gè)權(quán)重：

wt

=1

它是一個(gè)連續(xù)的過程：

Boosting-

數(shù)學(xué)Y.FreundandR.Schapire,

Ashortintroductiontoboosting,JournalofJapaneseSocietyforArtificialIntelligence,14(5):771-780,September,

1999.小例子弱學(xué)習(xí)器采用線性模型隨機(jī)模型h=>p(error)=0.5

每個(gè)數(shù)據(jù)點(diǎn)都有一個(gè)類標(biāo)簽：和一個(gè)權(quán)重：

wt=1

小例子這個(gè)似乎是最好的這是一個(gè)“弱分類器”：它的性能略好于隨機(jī)。

每個(gè)數(shù)據(jù)點(diǎn)都有一個(gè)類標(biāo)簽：和一個(gè)權(quán)重：

wt=1

小例子

每個(gè)數(shù)據(jù)點(diǎn)都有一個(gè)類標(biāo)簽：我們更新權(quán)重：

小例子

每個(gè)數(shù)據(jù)點(diǎn)都有一個(gè)類標(biāo)簽：我們更新權(quán)重：

小例子

每個(gè)數(shù)據(jù)點(diǎn)都有一個(gè)類標(biāo)簽：我們更新權(quán)重：

小例子

每個(gè)數(shù)據(jù)點(diǎn)都有一個(gè)類標(biāo)簽：我們更新權(quán)重：

小例子強(qiáng)（非線性）分類器是由所有弱（線性）分類器組合而成的分類器。f1f2f3f4我們需要定義一個(gè)弱分類器族強(qiáng)分類器弱分類器形成一個(gè)弱分類器族使用加法模型定義分類器：

權(quán)重特征向量

Boosting-數(shù)學(xué)弱學(xué)習(xí)器Boosting-數(shù)學(xué)最終的強(qiáng)分類器特征值臨界點(diǎn)

實(shí)時(shí)目標(biāo)檢測訓(xùn)練很慢，但是檢測很快關(guān)鍵想法積分圖可實(shí)現(xiàn)快速特征評估Boosting可實(shí)現(xiàn)特征選擇級聯(lián)用于快速過濾非面部窗口Viola&Jones算法P.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR

2001.實(shí)時(shí)目標(biāo)檢測訓(xùn)練很慢，但是檢測很快關(guān)鍵想法積分圖可實(shí)現(xiàn)快速特征評估Boosting可實(shí)現(xiàn)特征選擇級聯(lián)用于快速過濾非面部窗口Viola&Jones算法P.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR

2001.弱分類器?4種矩形過濾器Value

=

Σ（白色區(qū)域的像素）

–

Σ（黑色區(qū)域的像素）來源：Svetlana

Lazebnik來源結(jié)果弱分類器來源：Svetlana

Lazebnik用于快速特征評估的積分圖積分圖計(jì)算每個(gè)像素（x，y）處的值，該值是（x，y）上方和左側(cè)的所有像素值的總和，包括x，y。這可以通過遍歷一遍圖像快速計(jì)算得到。來源：Svetlana

Lazebniki(x,y)設(shè)A、B、C、D為矩形各角處的積分圖像的值矩形內(nèi)原始圖像值的總和可以計(jì)算為：

總和=A–B–C+D計(jì)算矩形內(nèi)的和DBCA任意大小的矩形只需要做3次加法即可！來源：Svetlana

Lazebnik對于24x24的檢測區(qū)域，可能的矩形特征數(shù)量約為160,000個(gè)！Viola&Jones算法來源：Svetlana

Lazebnik實(shí)時(shí)目標(biāo)檢測訓(xùn)練很慢，但是檢測很快關(guān)鍵想法積分圖可實(shí)現(xiàn)快速特征評估Boosting可實(shí)現(xiàn)特征選擇級聯(lián)用于快速過濾非面部窗口Viola&Jones算法P.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR

2001.弱分類器1.評估每個(gè)示例中的每個(gè)矩形過濾器Viola&Jones算法特征值閾值

P.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR

2001.(x1,1)(x2

,1)(x3,

0)(x4

,

0)n n…..(x,y

)

1(x5,

0)(x6

,

0)0.80.70.20.30.80.1

2.選擇最佳過濾器/閾值組合a.權(quán)值標(biāo)準(zhǔn)化

3.重新調(diào)整權(quán)重Viola&Jones算法

P.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR

2001.4.最終的強(qiáng)分類器是最后一個(gè)假設(shè)是T個(gè)假設(shè)的加權(quán)線性組合，其中權(quán)重與訓(xùn)練誤差成反比Viola&Jones算法

P.ViolaandM.Jones.Rapidobject

detectionusingaboostedcascadeofsimplefeatures.CVPR

2001.實(shí)時(shí)目標(biāo)檢測訓(xùn)練很慢，但是檢測很快關(guān)鍵想法積分圖可實(shí)現(xiàn)快速特征評估Boosting可實(shí)現(xiàn)特征選擇級聯(lián)用于快速過濾非面部窗口Viola&Jones算法P.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR

2001.人臉檢測的Boosting一個(gè)包含200個(gè)特征的分類器在二分類測試數(shù)據(jù)集上檢測率達(dá)到了95%，誤檢率為1:14084還不夠好！受試者工作特征(ROC)曲線來源：Svetlana

Lazebnik起始階段的分類器過濾大部分負(fù)樣本，但檢測幾乎所有的正樣本。后面的分類器計(jì)算包含更多的特征，但大多數(shù)樣本都到達(dá)不了?？焖偌壜?lián)檢測ExamplesStage1h1(x)>t1?RejectNoYesStage2h2(x)>t2?StageNhn(x)>tn?Yes…PassRejectNoRejectNo注意力級聯(lián)級聯(lián)分類器逐漸變得更加復(fù)雜并且誤檢率更低：ROC曲線人臉圖像子窗口分類器1T分類器3TF非人臉分類器2TF非人臉F非人臉來源：Svetlana

Lazebnikvsfalsenegdeterminedby%FalsePos%Detection0

500100級聯(lián)的檢測率和誤檢率通過乘以各個(gè)階段的相應(yīng)比率得出如果每級的檢測率為0.99(0.9910≈0.9)且誤檢率約為0.30(0.310≈6×10-6)，則通過10級級聯(lián)可以實(shí)現(xiàn)0.9的檢測率和10-6量級的誤檢率注意力級聯(lián)來源：Svetlana

Lazebnik人臉圖像子窗口分類器1T分類器3TF非人臉分類器2TF非人臉F非人臉訓(xùn)練級聯(lián)分類器設(shè)置每個(gè)階段的檢測率和誤檢率目標(biāo)不斷向當(dāng)前階段添加特征，直到達(dá)到目標(biāo)要降低boosting閾值以實(shí)現(xiàn)最大化檢測

（而不是最小化總分類誤差）在驗(yàn)證集上進(jìn)行測試如果總體誤檢率不夠低，則添加另一個(gè)階段使用當(dāng)前階段的負(fù)正樣本作為下一階段訓(xùn)練的負(fù)樣本已部署的系統(tǒng)訓(xùn)練數(shù)據(jù)5000張面孔都是正面，重新縮放至24x24像素3億張非面孔9500張非人臉圖像面孔是標(biāo)準(zhǔn)化的縮放，平移許多變化多人光照姿態(tài)P.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR

2001.系統(tǒng)性能訓(xùn)練時(shí)間：在466MHz的Sun工作站上需要數(shù)“周”38層，共6061層特征在測試集中每個(gè)窗口計(jì)算10個(gè)特征的平均值

在700MhzPentiumIII處理器上，面部檢測器可以在大約0.067秒的時(shí)間內(nèi)處理384x288像素的圖像15

Hz比之前同等精度的檢測器快15倍（Rowleyetal.,

1998）通過boosting選擇的前兩個(gè)特征：該特征組合可產(chǎn)生100%的檢測率和50%的誤檢率P.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR

2001.測試圖片中人臉檢測器的輸出P.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR

2001.其他檢測任務(wù)面部特征定位性別識別輪廓檢測來源：Svetlana

Lazebnik輪廓檢測來源：Svetlana

Lazebnik輪廓特征來源：Svetlana

Lazebnik人臉圖像數(shù)據(jù)庫將用于人臉識別的數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集每張圖片都由一個(gè)人組成，背景均勻整潔人臉檢測測試集MIT,CMU(正面、輪廓),

Kodak我們將要學(xué)習(xí)什么

？物體檢測簡介人臉檢測行人檢測HoG特征可用代碼：http://pascal.inrialpes.fr/soft/olt/來源：KristenGrauman檢測窗口：64x128Block尺寸：16x16步長：8x8單元尺寸：8x8格子數(shù)：9HOG