寵物貓臉檢測(cè)的方法研究.pdf

1、目標(biāo)識(shí)別是計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域非?；钴S的研究課題。針對(duì)生物特征的識(shí)別都圍繞著“人”來展開,人臉識(shí)別、表情識(shí)別、性別識(shí)別、虹膜識(shí)別、手勢(shì)識(shí)別等等。而日常生活中常見的動(dòng)物如貓狗、牛羊等亦開始出現(xiàn)在目標(biāo)檢測(cè)和識(shí)別中。特別地,貓、狗等寵物越來越受到人們的關(guān)注。本文以最常見的寵物——貓為研究對(duì)象,提出了一種應(yīng)用于數(shù)碼相機(jī)的基于機(jī)器學(xué)習(xí)的由粗到精(coarse-to-fine)的貓臉檢測(cè)方法。首先,基于Haar-like特征的AdaBoost學(xué)

2、習(xí)算法訓(xùn)練一個(gè)粗級(jí)的貓臉檢測(cè)器。這個(gè)粗分類器能夠快速地檢測(cè)出不同尺度的貓臉,在微軟貓臉圖片庫(kù)(含貓臉圖片10000幅)上測(cè)試達(dá)到85%的檢測(cè)率,但誤檢較高,誤檢貓臉占實(shí)際貓臉總數(shù)的27%。為了排除誤檢,級(jí)聯(lián)一個(gè)基于HOG特征SVM分類器,對(duì)粗級(jí)分類器的檢出框歸一化大小后作二次分類,將其結(jié)果作為最終分類結(jié)果,誤檢貓臉數(shù)目由281個(gè)下降至21(貓臉總數(shù)10098)。粗檢測(cè)器使用基于查找表型弱分類器的Gentle AdaBoost算法訓(xùn)練而成

3、。Gentle Adaboost是連續(xù)Adaboost(Real AdaBosst)改進(jìn)。與Real AdaBosst相比,Gentle Adaboost的弱分類器輸出函數(shù)在數(shù)值上更穩(wěn)定。而查找表型弱分類器能減少Haar特征數(shù),更好的表達(dá)正樣本和負(fù)樣本的分布。粗檢測(cè)器的目的是利用Haar+Adaboost分類模式的快速檢測(cè)能力,避免了HOG+SVM分類模式準(zhǔn)確率高但耗時(shí)巨大的問題；精檢測(cè)器利用HOG+SVM分類模式出色的區(qū)分度彌補(bǔ)了粗檢