基于树形检测器的多标志识别
3．1 soft cascade的长度
当选择好查询树，本文就可以开始训练检测器了。作者尝试了不同的soft cascade的长度。本文调整叶子节点上分类器的阈值，确保两个检测器拥有相同的分类结果。
3．2 检测器的精确度
在本文的框架里，第一部分是整个结构的核心。在soft cascade中设置不同的alpha参数值，然后对将作为根节点分类器的soft casca-de尝试不同的长度。接着，调整每个叶子节点分类器上的阈值，可以得到如图4的ROC曲线。本文的soft cascade加WFS树结构的台标检测精确度要优于Huang的WFS树。与此同时，本文框架使用的特征数也比Huang的要少。本文引用地址：http://www.eepw.com.cn/article/195147.htm
对于识别同一家电视台的不同频道，本文也采用了改进后的WFS结构。本文收集了9个不同的CCTV频道中央一至中央九，训练了一个CCTV系列检测器，它可以检测并识别出CCTV标志及其右侧区域里的数字符号。本文实验的结果数据如表1：
4 结语
本文实现了一个基于多层树形分类器结构的多台标识别方法，此方法具有对多类别标志识别的通用性。本文虽然在检测样本的平均特征数上有进一步减少，提高了算法的速度，并且在分叉树的叶子每个节点上增加了一个单类别cascade，降低了误检率。但是这种查询树结构在增加新类型台标时，需要重新生成和训练，花费大量时间。如果能找到一种增量学习算法，在增加新类别时，只需要对原有的查询树做局部修改，而不用全盘推翻重新计算，则该框架将更具实用性。
评论