我一直在尝试理解维奥拉和琼斯关于人脸检测的论文。但我并不完全清楚第三节中这个等式的参数含义。
h(x, f, p, theta) = 1 ; if pf(x) < p theta
我理解的是,特征(
f
)是通过在x
的积分图上运行解释论文开头的5个基本功能之一而获得的值。我无法正确理解的是阈值“theta”和极性“p”。这个
p
是否表示正图像和负图像,并且可以取+1或-1的值?如何计算theta?这个方程对于提升部分至关重要,因此我无法继续下去。如果我表达得足够清楚,请帮忙解答。我一直在尝试理解维奥拉和琼斯关于人脸检测的论文。但我并不完全清楚第三节中这个等式的参数含义。
h(x, f, p, theta) = 1 ; if pf(x) < p theta
f
)是通过在x
的积分图上运行解释论文开头的5个基本功能之一而获得的值。p
是否表示正图像和负图像,并且可以取+1或-1的值?如何计算theta?这个方程对于提升部分至关重要,因此我无法继续下去。如果我表达得足够清楚,请帮忙解答。h
使用 Haar-like 特征 f
来对图像子窗口 x
进行分类。参数 p
如果等于 -1
,则简单地导致条件 if pf(x) < p theta
的比较符号翻转。theta
只是一个阈值。例如,如果 p = +1
,则如果 f(x) < theta
,则 h(x, f, p, theta) = +1
,即弱分类器认为 x
是一个人脸。
p
在代码流程中是否会被反转,还是由用户选择?如果这个问题看起来有点愚蠢,请不要介意。 那么我该如何获取theta
呢? - Sgt. Pepperp
和theta
。我在这个问题中发布了一些有用的参考资料。 - Ramiro