Построение классификаторов с использованием искусственных нейронных сетей и принципа ADA BOOST

Проблема построения различного рода детекторов объектов на изображениях до сих пор остаётся актуальной задачей, несмотря на набор достаточно сильных методов, описанных в литературе. Одним из методов, ставших стандартом для построения эффективных и быстрых классификаторов, является каскад Виолы-Джонса, который до сих пор является основополагающим для поиска объектов на изображении в реальном времени и его реализация была включена в открытую библиотеку компьютерного зрения OpenCV. Для экспериментов в данной работе использовалась база данных изображений CMU Face Database. При прикладном использовании алгоритмов в компьютерном зрении существенным фактором становится вычислительная сложность. Предпочтительно использовать в качестве классификаторов пороговые решающие функции или Хаар-признаки, вычислительная сложность которых мала. Однако, на практике ADABOOST, как жадный алгоритм, не всегда даёт эффективную комбинацию классификаторов. В данной работе рассмотрен подход к построению классификаторов сравнимой эффективности, на примере задачи детектирования лица. Для построения детектора были исследован подход, предполагающий разбиение процесса детекции на два отдельных этапа: этап построения дескриптора изображения и этап классификации. Для этапа, отвечающего за классификацию, были рассмотрены две возможности: двухслойная нейронная сеть, т.е. использование многослойного перцептрона в качестве «сильного» классификатора, и каскад из нескольких таких сетей увеличивающего размера. Для этапа формирования дескриптора также в работе исследовались две возможности. В качестве первой был построен фиксированный базис Хаара, дающий вектор признаков в качестве дескриптора входного изображения. Данный базис был построен с использованием принципа ADABOOST. Второй возможностью, исследованной в работе, было построение базиса признаков Хаара из меньшего количества необходимых признаков, более точно отражающего характерные особенности объектов, который был получен с использованием преобразования Карунена-Лоэва. Для получения признаков Хаара собственные вектора были подвергнуты квантованию. В результате построен классификатор, сравнимый по эффективности с каскадом Хаара.

нейронные сети, признаки Хаара, детекция объектов, обработка изображений