Способ уменьшения вычислительной сложности процедуры обучения детектора лиц на базе метода Виолы-Джонса

Системный анализ, управление и обработка информации


Авторы

Козыревский В. К. *, Веселов А. И. **

Санкт-Петербургский государственный университет аэрокосмического приборостроения, ул. Большая Морская, 67, Санкт-Петербург, 190000, Россия

*e-mail: vadikko2@mail.ru
**e-mail: felix@vu.spb.ru

Аннотация

Предложен способ уменьшения вычислительной сложности процедуры обучения в методе Виолы-Джонса за счет сокращения числа анализируемых признаков. Предлагаемый подход представляет собой модификацию алгоритма адаптивного бустинга. За счет предварительного анализа корреляции между значениями различных признаков формируются подмножества с некоррелированными признаками. На каждой итерации алгоритма обучения анализируются только классификаторы, использующие признаки из одного подмножества. Таким образом, уменьшение вычислительной сложности достигается за счет анализа только классификаторов с некоррелированными выходами. Предложенный алгоритм позволяет снизить сложность обучения алгоритма Виолы-Джонса, что является важной и актуальной задачей в системах детектирования объектов.

Ключевые слова

компьютерное зрение, детектирование лиц, метод Виолы-Джонса, бустинг, AdaBoost, Fast Feature Select, уменьшение сложности

Библиографический список

  1. Viola P., Jones M. Robust Real-time Object Detection // International Journal of Computer Vision. 2004. Vol. 57. № 2. Pp. 137-154.

  2. Вьюгин В.В. Математические основы теории машинного обучения. — М.: МЦНМО, 2013. — 387 с.

  3. Местецкий Л.М. Математические методы распознавания образов — М: МГУ, ВМиК, 2002–2004. С. 42–44.

  4. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning. — New York: Springer, 2001. — 533 p.

  5. Viola P., Jones M. Rapid object detection using a boosted cascade of simple features // Accepted conference on computer vision and pattern recognition. Cambridge. 2001. URL: http://www.cs.cmu.edu/~srini/15-829/readings/ViJo01.pdf

  6. Freund Y., Schapire R.E. A decision theoretic generalization of on-line learning and an application to boosting // Journal of Computer and System Sciences. 1997. Vol. 55. No. 1. Pp. 119-139.

  7. Wu J, Brubaker S., Mullin M., Rehg J. Fast Asymmetric Learning for Cascade Face Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2008. Vol. 30. № 3. Pp.369-382.

  8. CBCL Face Database #1, MIT Center For Biological and Computation Learning, 2000. URL: http://cbcl.mit.edu/software-datasets/FaceData2.html

  9. Шмойлова Р.А. Общая теория статистики. — М.: Финансы и Статистика, 2002. — 560 с.


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2021

Вход