1. ADABOOST Detekce objektu v obraze

2. Obsah Úvod do problému Řešení Reálné příklady

3. Idea detektoru Detektor objektu pro fixní velikost okna  Klasifikátor je objekt/není objekt - 2 druhy chyb False positive (FP) – halucinace objektu False negative (FN) – přehlédnutí objektu  Jednoduché příznaky/filtry  Výběr filtrů a jejich kombinace=adaboost Hypotéza Projdi obraz všemi okny velikosti větší než 24x24

4. Řešení Bootstrap algoritmus - Adaboost Rychlé příznaky Sekvenční trénování

5. Bootstrap algoritmus Vezme jednoduchý (slabý) klasifikátor, který nemá dobrou přesnost zkombinuje slabé klasifikátory tak, aby celek dosáhl požadované přesnosti. Výhoda – použití „rychlých“ klasifikátorů bez obětování přesnosti

6. Adaboost Vytváří silný klasifikátor pro klasifikaci dat x i kombinací slabých klasifikátorů h(x i )  i je váha, kterou potřebujeme nastavit trénováním

7. Adaboost – příklad

8. Idea – Rychlé příznaky/filtry Příznaky/filtry, které mají charakter hranových detektorů Výpočet odezvy filtru h(f(x,y)) pro každý filtr musíme zvolit práh T

9. Výpočet odezvy filtru – zrychlení Protože to budeme dělat opakovaně, musí být výpočet efektivní Idea : integrální obraz Efektivně vypočten v jednom průchodu Oblast 4 = D + A – (C+B)

10. Adaboost pro detekci objektů Rozhoduje jak vybrat z filtrů Vstup  Příklady objektu a ne-objektů  Hodně filtrů (různé typy, velikosti, pozice) Algoritmus pro konstrukci silného klasifikátoru f(x) tvořeného lineární kombinaci jednotlivých slabých klasifikátorů h t (x)

11. Adaboost - algoritmus Máme dána trénovací data (x i,y i ). Na začátku jsou váhy stejné pro všechny data. Pro t=1:T  Spočtu chybu  t pro každý filtr  vyberu filtr s nejmenší chybou  Nastavím  t  Převažím příklady (boosting) aby špatně zařazená data měli větší váhu  Přidám slabý filtr s váhou  t

12. Příklady detekce tváře Vybrané příznaky/filtry jsou smysluplné 100% nalezených tváří, 40% FP-halucinace tváře

13. Sekvenční rozhodování Kombinace filtrů  První filtr provede prahování  zbytek zůstane  V prvním kroku bylo 80% ne-tváří, atd. H1H1 H2H2

14. Reálné příklady

15. Literatura Viola & Jones – Bootstrap algorithm for face detection Freund – “An adaptive version of the boost by majority algorithm” Matas – Lecture Adaboost