实验方案和结果 - 基于树形检测器的多标志识别

　　3实验方案和结果

　　本文收集了6类台标集合，每一类包含了200张图像。而台标图像就是从这些图像中裁剪出来的，然后缩放成24×24像素大小的块，作为正样本集。负样本集则是从将台标区域掩盖掉后的图像上收集的。首先进行了一个实验，来解释WFS树的不同设计方案将会对算法性能带来怎样的影响，然后研究了softcascade长度带来的影响，最后拿随机生成的树与本文的树进行对比。

　　本文首先使用了文献中提到的方法训练一个普通检测器，然后将其791个弱分类器组成了softcascade。本文用这个softcascade对一组测试图像进行了测试，统计结果表示每幅图像通过的平均特征数约为8。在实验中，作者发现这个长度值设置在平均特征数的1倍和2倍之间比较合适。

　　本文使用了上述正样本数据集和规模为1200的负样本数据集来构建查询树。最终生成的分叉树如图3所示。

　　

　　正如分叉树所示的，越相似的台标，它们在树里的位置越近。同时，本文也随机地生成了另一个查询树。使用这两棵树和同样的训练数据集，本文训练了两个WFS树检测器。

　　3．1softcascade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softcascade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softcascade中设置不同的alpha参数值，然后对将作为根节点分类器的softcasca-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softcascade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。

　　

　　

　　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。