《目标检测与识别优质材料》由会员分享,可在线阅读,更多相关《目标检测与识别优质材料(110页珍藏版)》请在金锄头文库上搜索。
1、第十二章第十二章 目标检测与识别目标检测与识别Lecture 12 Object Detection and Recognition1专业资料目标检测和识别目标检测和识别怎样检测和识别图像中物体,如汽车、牛等?2专业资料目标识别的应用目标识别的应用3专业资料难点之一难点之一: : 如何鲁棒识别?如何鲁棒识别?4专业资料类内差异类内差异(intra-class variability)5专业资料类间相似性类间相似性(inter-class similarity)6专业资料难点之二:计算量大难点之二:计算量大一幅图像中像素个数多,目前每秒约产生300G像素的图像/视频数据。- Google图片搜索
2、中已有几十亿幅图像- 全球数字照相机一年产生180亿张以上的图片(2004年)- 全球一年销售约3亿部照相手机(2005)人的物体识别能力是强大的- 灵长类动物约使用大脑皮层的一半来处理视觉信息 Felleman and van Essen 1991- 可以识别3,000-30,000种物体- 物体姿态可允许30度以上的自由度。7专业资料难点之三:如何在小样本条件下学习难点之三:如何在小样本条件下学习8专业资料物体识别方法物体识别方法检测(detection)vs. 不检测表示(representation)- 颜色、纹理、边缘、梯度、局部特征、深度、运动等等。分类(classificatio
3、n or categorization)- K近邻(KNN)- 神经网络(NN)- 支持向量机(SVM)- Boosting(Adaboost等)- 隐马尔科夫模型(HMM)-其他生成学习(Generative learning)vs. 判别学习(discriminative learning)9专业资料生成学习生成学习 vs. vs. 判别学习判别学习两种分类器学习模式生成学习-目标是学习到符合训练数据的类别模型- 如EM算法(Maximum Likelihood)判别学习在训练阶段即考虑类别之间的判别信息包括Support Vector Machines (SVMs), Boosting,
4、 Minimum Classification Error (MCE), Maximum Mutual Information (MMI), Lager Margin (LM), and etc.判别学习算法比生成学习算法表现出更好的分类性能。10专业资料判别学习方法判别学习方法11专业资料第二节第二节 人脸检测与识别人脸检测与识别12专业资料1.1. 物体检测物体检测Car/non-car ClassifierYes, car.No, not a car.基于二分类器13专业资料物体检测物体检测Car/non-car Classifier在复杂背景下,通过滑动窗口(sliding windo
5、ws)搜索感兴趣的物体。14专业资料物体检测物体检测Step1. 获取训练数据Step2. 提取特征Step3. 训练分类器Step4. 利用分类器进行检测15专业资料人脸检测人脸检测(Face detection)Viola-Jones人脸检测算法(基于AdaBoost)16专业资料Viola-Jones人脸检测算法人脸检测算法(2004)17专业资料滤波器设计滤波器设计18专业资料AdaboostAdaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的,它
6、根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特徵,并将关键放在关键的训练数据上面。19专业资料Boosting Example20专业资料Boosting Example21专业资料Boosting Example22专业资料Boosting Example23专业资料Boosting Example24专业资料Boosting Example25专业资料Adaboost学习目标:选择能
7、够最有效地区分人脸与非人脸的矩形特征及其阈值26专业资料Adaboost组合弱分类器(weak learners),得到更为精确的集成分类器(ensemble classifier)。弱分类器:性能仅比随机分类稍好根据矩形特征定义弱分类器:27专业资料Adaboost算法步骤算法步骤初始给每个训练样本以同等权重循环执行以下步骤:p根据当前加权训练集,选择最佳弱分类器p提升被当前弱分类器错分的训练样本的权重按照各弱分类器分类精度对其加权,然后将各个弱分类器形成线性组合,得到最终分类器。28专业资料Viola-Jones算法中的算法中的AdaBoost每一次boosting迭代如下:p 评价每一个
8、样本上的每一种矩形特征p 为每一种矩形特征选择最佳分类阈值p选择最优的矩形特征及其阈值组合p 改变样本权重计算复杂度: O(MNT)p M:特征数,N:样本数, T:阈值数29专业资料30专业资料级联分类器级联分类器(Cascading Classifiers)31专业资料训练级联分类器训练级联分类器32专业资料Viola-Jones检测算法检测算法-总体流程总体流程用5K正样本,350M反样本学习得到38层(共使用6060个特征)级联分类获得实时性33专业资料Viola-Jones人脸检测结果人脸检测结果34专业资料Viola-Jones人脸检测结果人脸检测结果35专业资料Viola-Jon
9、es人脸检测结果人脸检测结果36专业资料2. 人脸识别人脸识别(face recogntion)Zhao et al., Face Recogniton: a literature survey. ACM Computing survey, 200337专业资料Face Recognition: 2-D and 3-D 38专业资料图像图像 = 像素的集合像素的集合将由n个像素构成的图像视为n维空间中的点39专业资料最近邻分类器最近邻分类器40专业资料Eigenfaces使用主成分分析技术(Principle Component Analysis, PCA)减少维数41专业资料主成分分析主成分
10、分析(PCA, K-L变换变换)降低特征向量的维数获得最主要特征分量,减少相关性;避免维数灾难42专业资料主成分分析主成分分析(PCA, K-L变换变换)43专业资料主成分分析主成分分析(PCA, K-L变换变换)44专业资料Eigenfaces学习1. 计算训练图像的均值和协方差矩阵.2. 计算协方差矩阵的特征值,取前k个最大特征值对应的特征矢量.3. 将图像投影到k-维特征空间(Eigenspace)。识别1. 将测试图像投影到Eigenspace.2. 在特征图像上执行分类.45专业资料Eigenfaces: 训练图像训练图像46专业资料Eigenfaces47专业资料PCA方法的不足方
11、法的不足可能损失重要的细节信息p方差最小的方向也可能是重要的没有考虑判别任务p希望得到最具判别能力的特征p但判别能力最佳并不等同于方差最大48专业资料Fisherfaces:类特定的线性投影类特定的线性投影49专业资料PCA & Fisher的线性判别函数的线性判别函数50专业资料PCA & Fisher的线性判别函数的线性判别函数51专业资料Fisherfaces示例(ORL Database)52专业资料基于基于eigenfaces/fisherfaces的识别的识别训练:- 根据训练图像,利用PCA或Fisher方法确定投影矩阵- 将每个训练图像投影到子空间(eigenspace或fis
12、herspace)。识别:- 将测试图像投影到eigenspace或fisherspace。- 子空间中距离测试图像最近的训练图像对应的类别为识别结果。53专业资料Project5:人脸合成平均人脸平均就是美54专业资料Project5:人脸合成55专业资料Project5:人脸合成56专业资料Project5:人脸合成57专业资料Project5:人脸合成58专业资料Project5:人脸合成FantaMorph,人脸合成软件59专业资料Project5:人脸合成FantaMorph,人脸合成软件手动标定人脸60专业资料Project5:人脸合成FantaMorph,人脸合成软件手动标定人脸
13、61专业资料Project5:人脸合成FantaMorph,人脸合成软件产生多张合成图像,随机或者平均输出62专业资料Project5:人脸合成Task:利用人脸检测算法,将上述过程改为自动完成,实现自动人类合成。63专业资料第三节第三节 深度学习导引深度学习导引64专业资料第三节第三节 深度学习导引深度学习导引65专业资料第三节第三节 深度学习导引深度学习导引66专业资料第三节第三节 深度学习导引深度学习导引67专业资料第三节第三节 深度学习导引深度学习导引68专业资料第三节第三节 深度学习导引深度学习导引69专业资料第三节第三节 深度学习导引深度学习导引70专业资料第三节第三节 深度学习导
14、引深度学习导引71专业资料神经网络的基本结构神经网络的基本结构72专业资料神经网络的大量参数神经网络的大量参数73专业资料神经网络的表现能力神经网络的表现能力74专业资料神经网络的表现能力神经网络的表现能力75专业资料神经网络的表现能力神经网络的表现能力76专业资料神经网络的表现能力神经网络的表现能力77专业资料卷积神经网络卷积神经网络78专业资料卷积神经网络卷积神经网络79专业资料卷积神经网络卷积神经网络80专业资料卷积神经网络卷积神经网络81专业资料卷积神经网络卷积神经网络82专业资料卷积神经网络卷积神经网络卷积层的作用卷积层的作用83专业资料卷积神经网络卷积神经网络84专业资料卷积神经网
15、络卷积神经网络85专业资料卷积神经网络卷积神经网络池化层的作用池化层的作用86专业资料卷积神经网络卷积神经网络87专业资料卷积神经网络卷积神经网络激活函数激活函数88专业资料卷积神经网络卷积神经网络89专业资料卷积神经网络卷积神经网络90专业资料卷积神经网络卷积神经网络91专业资料卷积神经网络卷积神经网络SoftmaxSoftmax层的作用层的作用92专业资料卷积神经网络卷积神经网络93专业资料卷积神经网络卷积神经网络网络的预处理网络的预处理94专业资料卷积神经网络的实例卷积神经网络的实例AlexnetAlexnet95专业资料卷积神经网络的实例卷积神经网络的实例AlexnetAlexnet9
16、6专业资料卷积神经网络的实例卷积神经网络的实例FCNFCN网络网络97专业资料卷积神经网络的实例卷积神经网络的实例FCNFCN网络网络98专业资料卷积神经网络的实例卷积神经网络的实例FCNFCN网络网络99专业资料卷积神经网络的训练方法卷积神经网络的训练方法100专业资料卷积神经网络的训练方法卷积神经网络的训练方法101专业资料卷积神经网络的训练方法卷积神经网络的训练方法102专业资料卷积神经网络的训练方法卷积神经网络的训练方法103专业资料卷积神经网络的训练方法卷积神经网络的训练方法104专业资料卷积神经网络的训练方法卷积神经网络的训练方法105专业资料卷积神经网络的训练方法卷积神经网络的训练方法106专业资料卷积神经网络的训练方法卷积神经网络的训练方法107专业资料卷积神经网络的训练方法卷积神经网络的训练方法108专业资料递归神经网络递归神经网络Recurrent Neural Networks109专业资料递归神经网络递归神经网络LSTM110专业资料