BING: Binarized Normed Gradients特征用于目标检测<阅读笔记1>

作者观察到，一般的物体，当归一化到某一个小的尺度上时，目标都有一个很好的了轮廓共

性。也就是目标的边缘梯度比较明显，组合成为一个闭合的轮廓。这里指的目标是广义的，

可以是任何类别的物体。（论文结论成立的依据）

---

图a.表示原图像，图b表示梯度图像，

然后作者缩放到了很多尺度，图c，是

将梯度图像缩放到8x8以后，正例和负

例显示的结果，图d是将64位向量作为

特征，使用线性SVM训练得到的一个权

重系数图。其中，图a中红色的框表示

目标，绿色的框表示非目标

 

 

---

特征提取BING

1. 使用1-D的模板[-1,0,+1]计算Gx和Gy方向的梯度

2. 梯度幅值采用

3. 梯度图可以表示成一个8bit的切片图，每个切片图中对应着0或1（这里作者认为轮

    廓都存在梯度较强的区域，因此，每个点取梯度幅值的前4位表示即可）

4. 然后对每个切片图，取梯度特征（8x8），最终会提取出四个切面特征，合并以后

    就是该区域的BING特征了。

PS. 关于第4步，作者在这里使用了一个加速处理，即每次计算下一个特征的时候，利用

      了上一个特征的值，只需要做一个[移位]和[或]运算即可。

假设把红框往上平移一行（也就是不包含绿框），

此时向量的值设为 ，那么红框位置的特征值可以

表示为，此时，这样的话，计算特征就不用重复

的循环了。

 

 

---

训练过程（这部分我还没有完全弄懂：有人懂的话记得告诉我哈，谢谢啦，我也会继续往下看的）

1. 首先，提取正负样本的BING特征，输入到Linear-SVM中训练得到一个分类器，将分类器归一化，作为级联分类器的第一级。

2. 然后，使用这个分类器去搜索训练样本所在的（大图-猜测可能使用图像放缩检测），这个时候可以得到很多目标框，采用NMS

    抑制一下，然后选择一个较小的框作为第二级的训练样本正例，使用这个分类器去搜索训练负例（大图）搜索困难样本（Bootstrap策略），

    生成第二级训练样本负例。

3. 然后，将第2步生成的正例和负例输入到Linear-SVM中训练得到一个分类器，作为级联分类器的第二级。

分类器归一化方法

是一向量权重（linear分类器模型）,是归一化的维度（要将w归一化成几维的，

作者取值为2），这个理论是做投影，还木有看证明

 

 

 

 

[27] Efficient online structured output learning for keypoint-based object tracking.

  

 未完待续—by cvchina@163 dddz WDH 2015-01-19