基于树形检测器的多标志识别
1．1 通用检测器
Viola在他的人脸检测中成功地运用了adaboost结构和由haar特征构成的弱分类器。OpenCV也给出了该算法的代码。许多目标检测的问题也经常用到Viola的检测框架，有时也只是用别的特征集替换了haar特征。
如图2所示，电视台标的主要属性就是它的轮廓特征。在行人检测中，基于梯度方向直方图(HOG)的特征是一种描述轮廓的十分有效的特征。这个特征的缺点是它的输出是一个矢量，所以需要用一个基于支持向量机的弱分类器，但是它要花费大量的计算时间。文献提出了一个EHOG特征，它只输出一个值，并可以很容易地被Adaboost算法使用。
因此在本文的台标检测器中，使用了EHOG特征。对于一副训练图像，计算一个块Rb里的梯度直方图，然后在n个方向分别统计梯度幅度的总和。
n是HOG特征的维数(在中，n=9)，本文中设置为6。
然后，本文使用了中定义的主方向梯度D概念，D是上述区间集的一个子集，即
，并计算对应D方向的EHOG特征：
为了快速地计算特征，本文也应用了积分直方图方法。
本文采用了EHOG特征和gentle adaboost训练了一个普通cascade结构，然后在所有桩分类器中收集全部的弱分类器，并用校正算法重新排序它们，得到一个新的“soft cascade”检测器。
本文定义为前t个弱分类器的响应值的和。运用了校正算法后，可以得到一个迹数组trace=(r1，r2，…，rN)。当对一个样本x做决策时，加上每一个弱分类器的响应值ht(x)，然后就将ht(x)和rt进行比较，如果低于，就立刻拒绝该样本。Soft cascade结构的性能要优于Viola的Cascade，在获得相当的检测性能时，它需要较少的特征数。这些将会在后面的实验中展示。
第一层的普通检测器可以拒判大量的背景图像，却还不能区别不同类的台标。为了做进一步处理，仍需要一个可以解决多类别分类问题的算法结构。
1．2 分叉树
在Huang的工作里，他构建了一棵由粗到精标注了人脸的不同视角的树。分叉树上的每个节点分类器采用了矢量boosting算法训练得到，依靠假设输出空间的矢量化来解决多类问题。举例说明，在一个节点分类器上，有四个可能的输出矢量((0，O)，(0，1)，(1，0)，(1，1))：(0，0)代表着该样本的检测将终止于当前节点。(0，1)，(1，0)，(1，1)代表着该样本将会通过哪个孩子节点。
在文献中，相邻的视角在分叉树里的距离也很近。全部15个不同视角是根据旋转角度平分成15份得到的。由于在本文的多台标检测中没有关于某两个台标是近邻的先验知识，所以不能依靠经验来构建一棵由粗到精的分叉树。例如，当面对图2中的6类台标时，在分叉树的根节点上，不知道该如何将它们划分成两个子节点。如果将明显不同的台标放在同一个节点里，训练算法将会耗费更多的特征才能获得一个相对较好的分类。基于这样的想法，作者认为一个较好的划分应该是在固定的迭代次数上利用矢量boosting训练得到一个更好的分类结果。
假设有N类正样本集，在第一层分叉节点上，就有2N-1-1种组合数可以将一个包含N类的集合划分成两个正样本子集。
如果盲目地寻找一个合适的树，总的时间复杂度会是log(N)*2N，这是无法实现的。为了解决这个问题，以下本文将引入一个贪婪搜索算法。
在一个二维矢量boosting算法里，正样本数据被标示为(O，1)或者(1，0)，负样本数据被标示为(-1，-1)。本文用{S1，S2，…，SN}来表示所有的数据，那么左边子节点的数据集就是，右边子节点的数据集就是
，这里Dleft和Dright是(1，2，…，N)的子集。本文设置检测率为O．995，迭代次数为10。误报率被用来评估算法性能。在矢量boosting算法中，判决准则如下：
对于本文的6类台标数据集，将给出节点划分的算法流程，这里一个二进制串001001表示一种划分模式，0代表进入左子节点，1代表进入右子节点。
算法1划分节点集合的贪婪搜索算法
输入：{S1，S2，…，SN}
输出：划分模式p
初始化p：p={00，…，0}；
初始化一个包含比特串的空列表；
评论