基于Adaboost算法的駕駛員眨眼識別
加入技術交流群
實驗結果如圖8所示。
從實驗結果中可以看出利用最終的負樣本訓練生成的分類器能有效的區(qū)分出睜眼和閉眼狀態(tài)，誤檢率大大降低，說明這樣的負樣本選擇方法行之有效。
三個實驗結果誤檢率比較如表1所示。誤檢率為錯誤檢測的圖片數除以圖片總數。
結語
本文通過實驗，提出了一種新的負樣本選擇方法，這樣給我們擴展訓練樣本量提供了很大的幫助，即應用一個負樣本截取軟件，通過載入先前訓練好的分類器，不斷的收集誤檢的部分來添加進負樣本中，作為下次訓練的新的負樣本，訓練新的分類器。不斷循環(huán)重復這個步驟，直到達到能產生有滿意效果的分類器。從三個實驗結果看出誤檢率逐漸減少，證明了方法的有效性。在以后的實驗中繼續(xù)采用層層迭代的方式，不斷利用訓練好的新的分類器來增加負樣本，直到訓練出更加精確的分類器，為后續(xù)判斷汽車駕駛員疲勞檢測做鋪墊。
評論