Выводы по результатам тестирования - Исследование алгоритмов

По полученным в ходе анализа данным сделать вывод о качестве обученных каскадных классификаторов и о причинах таких результатов, а также выяснить, какие меры необходимо предпринять для их дальнейшего улучшения. Также можно сделать выводы о рациональности использования приложения-детектора, работающего на основе обученных каскадов, в задаче детектирования пешеходов.

    1) Результаты, полученные при тестировании программы на смартфоне LG P705, показывают, что разработанное приложение следует испытывать только на устройствах с достаточной вычислительной мощностью для обеспечения приемлемого быстродействия; в противном случае ни один из исследуемых методов не сможет обеспечить необходимой точности и быстроты детектирования; 2) Искусственное понижение разрешения входного кадра дает удовлетворительный результат: при возникновении необходимости такой способ позволяет достигнуть уменьшения времени обработки изображения при незначительном ухудшении качества детектирования; 3) Каскадный классификатор, обученный на локальных бинарных шаблонах, не показал удовлетворительных результатов: при достаточно высокой вероятности детектирования объекта в видеопотоке (83,4% в среднем), процент отрицательных примеров, классифицированных как положительные, недопустимо высок (56,3% в среднем). Такой результат связан непосредственно со спецификой алгоритма. Классификатор в том виде, в котором он представлен в работе, не годится для детектирования объектов на видео в реальном времени; 4) Есть возможность улучшить качество работы каскадного классификатора LBP, дополнить или модифицировать алгоритм (например, использовать бинарный шаблон в форме эллипса). Другим решением станет применение данного метода к более простой практической задаче (к примеру, детектирование однотипных объектов или объектов, не меняющих свою ориентацию). 5) Сравнивая результаты работы приложения при использовании методов Haar и HOG, можно сделать вывод, что первый показывает лучший процент верно классифицированных положительных примеров, в то время как второй обеспечивает меньшую долю ложноположительных примеров. Так как в конкретной задаче детектирования пешеходов коэффициент истинно положительных случаев более определяющий, классификатор, обученный по признакам Хаара, является более предпочтительным методом; 6) В целом, каскадный классификатор, обученный на признаках Хаара, дает хорошие практические результаты и пригоден для детектирования пешеходов в реальном времени; 7) Хорошее качество обученного каскадного классификатора Хаара напрямую связано с применением дополнительных мер по улучшению работы приложения и внедрением новых решений в стандартную процедуру обучения. Итак, в главе 3 была описана система экспериментов, по результатам которых была оценена работа приложения, использующего исследуемые методы. Полученные экспериментальные данные были систематизированы, и на их основе было произведено сравнение каскадных классификаторов Хаара и LBP и метода HOG

Похожие статьи




Выводы по результатам тестирования - Исследование алгоритмов

Предыдущая | Следующая