Viola Jones 阈值 Haar 特征误差值

Posted 2023-03-16

【中文标题】Viola Jones 阈值 Haar 特征误差值

【英文标题】：Viola Jones threshold value Haar features error value

【发布时间】：2016-12-30 19:03:53

【问题描述】：

我已经阅读了 2004 年的中提琴论文。在 3.1 中，他们解释了阈值计算。但我超级困惑。 它读作

对于每一个特征，例子都是根据特征值排序的

问题1) 排序列表是从示例的积分图像计算得到的haar 特征值列表。因此，如果我们有一个特征和 10 张图像（正面和负面）。我们得到与每个输入图像相关的 10 个结果。

然后可以计算该功能的 AdaBoost 最佳阈值 在这个排序列表上一次通过。对于排序中的每个元素 列表中，维护和评估四个总和： 正例权重T+，负例总和 权重 T -，低于当前示例 S+ 的正权重的总和 以及低于当前示例 S−

的负权重之和

问题2）排序的目的是什么。我猜最高的那个是最能描述图像的那个。但从算法上讲，它如何影响 (S- S+ T+ T-)。

问题3) 现在我们计算一个排序列表 (S- S+ T+ T-)。这是否意味着每个条目都有自己的 (S- S+ T- T+) 或者只有 一个 (S- S+ T- T+) 代表整个列表。

阈值的错误，它分割当前之间的范围 排序列表中的前一个示例是： e = min ( S++ (T − − S−), S− + (T + − S+)) ,

问题4）这在某种程度上回答了我之前的问题，但我不确定。 所以为了我们每个输入图像都有“e”。我们需要为列表中的每个条目维护 (S- S+ T- T+)。但是，在我们为该特征计算 N 个（每个图像一个）之后，我们如何处理“e”。

提前致谢，如果这令人困惑，或者您需要对我的问题进行更多说明，请告诉我。

【参考方案1】：

问题1) 排序列表是从示例的积分图像计算得到的haar 特征值列表。因此，如果我们有一个特征和 10 张图像（正面和负面）。我们得到与每个输入图像相关的 10 个结果。

您会获得 10 个该功能的结果，每个输入图像关联一个结果。每张图片都被标记为正面或负面。

问题2）排序的目的是什么。我猜最高的那个是最能描述图像的那个。但从算法上讲，它如何影响 (S- S+ T+ T-)。

最高的图像是对该功能响应最高的图像。您根据响应进行排序，而不是根据权重。

您对它们进行排序的原因是您要计算的两件事是“当前示例 S+ 以下的正权重总和和当前示例 S- 以下的负权重总和”。如果列表已排序，那么您可以保持一个运行总和，并且在每一点，在此之前您已添加到总和中的所有示例的特征响应都将小于（即“低于”）当前示例。如果列表未排序，那将不起作用。然后，您可以使用该示例和下一个示例之间的响应级别作为阈值来评估与此相关的错误。

问题3) 现在我们计算一个排序列表 (S- S+ T+ T-)。这是否意味着每个条目都有自己的 (S- S+ T- T+) 或者整个列表只有一个 (S- S+ T- T+)。

每个示例会有一个 S- 和一个 S+，因为它是 “低于当前示例的正权重总和”。 T+ 和 T- 是针对整个列表计算的，我不知道为什么他们说您需要为每个元素维护它。

问题4）这在某种程度上回答了我之前的问题，但我不确定。所以为了我们每个输入图像都有“e”。我们需要为列表中的每个条目维护 (S- S+ T- T+)。但是，在我们为该特征计算 N 个（每张图像一个）之后，我们如何处理“e”。

您从所有这些中选择了最小值，这是放置阈值的最佳位置（这将是这两个示例的响应的中点），因为它具有最小的错误（误报 + 误报） .顺便说一句，每个点有两个选择（即 e = min ( S+ + (T − − S−), S− + (T + − S+)) ）的原因是您可以选择是否设置阈值，以便高于该响应水平的值被认为是正的（第一项），或者低于它的值被认为是正的。

如果是前者，那么 S+ 是您的误报，(T- - S-) 是您的误报。如果是后者，那么 S- 是您的误报， (T+ - S+) 是您的误报。

【讨论】：

所以我们在整个训练过程中要么选择 (S+ + (T − − S−)) 要么 S− + (T + − S+))。如果我们选择第一个术语，则意味着高于该点的所有内容（排序列表中的索引）都被正确分类（正面，相同的东西？）这给了我们（正确分类的总数）/（所有示例）当我看到“最小值”我认为我们计算了 (S+ + (T - - S-)) 和 S- + (T + - S+)) 并在这些输出上做一个最小值。但是您所说的“min”是指从列表中的 (S+ + (T − − S−)) 或 S− + (T + − S+)) 中选择最小的结果。

无论哪种方式都一样，不是吗？您只需要所有元素和两个选项的总体最小值。

我觉得不一样。第一个术语在当前示例下方全部标记为负极，全部在正极上方，其中第二个是相反的，这会改变极性，如果我错了，请纠正我。回顾一下，您要说的是，您必须计算这两个术语并获得它们的最小值并将其保存为具有极性的误差值，然后遍历我们为每个示例保存的每个误差值并选择最小的“最小值" 错误并将其作为最终错误分配给该特征，我们在列表中得到错误的位置是阈值。

没关系，我发现你计算了右项和左项并得到它的最小值并将该错误分配给该示例，然后循环列表并选择最小值。我对用于选择最小术语或选择列表中的最小值的术语 min weather 感到困惑。我猜你得到了条款的最小值，然后得到了列表的最小错误。谢谢

[这解释得很好。] (courses.cs.washington.edu/courses/cse455/16wi/notes/…)