3實(shí)驗(yàn)方案和結(jié)果

　　本文收集了6類臺(tái)標(biāo)集合，每一類包含了200張圖像。而臺(tái)標(biāo)圖像就是從這些圖像中裁剪出來的，然后縮放成24×24像素大小的塊，作為正樣本集。負(fù)樣本集則是從將臺(tái)標(biāo)區(qū)域掩蓋掉后的圖像上收集的。首先進(jìn)行了一個(gè)實(shí)驗(yàn)，來解釋W(xué)FS樹的不同設(shè)計(jì)方案將會(huì)對(duì)算法性能帶來怎樣的影響，然后研究了softcascade長(zhǎng)度帶來的影響，最后拿隨機(jī)生成的樹與本文的樹進(jìn)行對(duì)比。

　　本文首先使用了文獻(xiàn)中提到的方法訓(xùn)練一個(gè)普通檢測(cè)器，然后將其791個(gè)弱分類器組成了softcascade。本文用這個(gè)softcascade對(duì)一組測(cè)試圖像進(jìn)行了測(cè)試，統(tǒng)計(jì)結(jié)果表示每幅圖像通過的平均特征數(shù)約為8。在實(shí)驗(yàn)中，作者發(fā)現(xiàn)這個(gè)長(zhǎng)度值設(shè)置在平均特征數(shù)的1倍和2倍之間比較合適。

　　本文使用了上述正樣本數(shù)據(jù)集和規(guī)模為1200的負(fù)樣本數(shù)據(jù)集來構(gòu)建查詢樹。最終生成的分叉樹如圖3所示。

　　正如分叉樹所示的，越相似的臺(tái)標(biāo)，它們?cè)跇淅锏奈恢迷浇?。同時(shí)，本文也隨機(jī)地生成了另一個(gè)查詢樹。使用這兩棵樹和同樣的訓(xùn)練數(shù)據(jù)集，本文訓(xùn)練了兩個(gè)WFS樹檢測(cè)器。

　　3．1softcascade的長(zhǎng)度

　　當(dāng)選擇好查詢樹，本文就可以開始訓(xùn)練檢測(cè)器了。作者嘗試了不同的softcascade的長(zhǎng)度。本文調(diào)整葉子節(jié)點(diǎn)上分類器的閾值，確保兩個(gè)檢測(cè)器擁有相同的分類結(jié)果。

　　3．2檢測(cè)器的精確度

　　在本文的框架里，第一部分是整個(gè)結(jié)構(gòu)的核心。在softcascade中設(shè)置不同的alpha參數(shù)值，然后對(duì)將作為根節(jié)點(diǎn)分類器的softcasca-de嘗試不同的長(zhǎng)度。接著，調(diào)整每個(gè)葉子節(jié)點(diǎn)分類器上的閾值，可以得到如圖4的ROC曲線。本文的softcascade加WFS樹結(jié)構(gòu)的臺(tái)標(biāo)檢測(cè)精確度要優(yōu)于Huang的WFS樹。與此同時(shí)，本文框架使用的特征數(shù)也比Huang的要少。

　　對(duì)于識(shí)別同一家電視臺(tái)的不同頻道，本文也采用了改進(jìn)后的WFS結(jié)構(gòu)。本文收集了9個(gè)不同的CCTV頻道中央一至中央九，訓(xùn)練了一個(gè)CCTV系列檢測(cè)器，它可以檢測(cè)并識(shí)別出CCTV標(biāo)志及其右側(cè)區(qū)域里的數(shù)字符號(hào)。本文實(shí)驗(yàn)的結(jié)果數(shù)據(jù)如表1：

　　4結(jié)語

　　本文實(shí)現(xiàn)了一個(gè)基于多層樹形分類器結(jié)構(gòu)的多臺(tái)標(biāo)識(shí)別方法，此方法具有對(duì)多類別標(biāo)志識(shí)別的通用性。本文雖然在檢測(cè)樣本的平均特征數(shù)上有進(jìn)一步減少，提高了算法的速度，并且在分叉樹的葉子每個(gè)節(jié)點(diǎn)上增加了一個(gè)單類別cascade，降低了誤檢率。但是這種查詢樹結(jié)構(gòu)在增加新類型臺(tái)標(biāo)時(shí)，需要重新生成和訓(xùn)練，花費(fèi)大量時(shí)間。如果能找到一種增量學(xué)習(xí)算法，在增加新類別時(shí)，只需要對(duì)原有的查詢樹做局部修改，而不用全盤推翻重新計(jì)算，則該框架將更具實(shí)用性。