Page 29 - Acalán 115
P. 29

Julio - Diciembre                                                    Acalán 115    27










                                        Figura 4. Filtros básicos de Haar
          Imagen integral                            los  valores  de  intensidad  sino  con  una  imagen
          Esta  nueva  representación  de  una  imagen  fue  acumulativa que se construye a partir de operaciones
          introducida  por Viola,  2004.  Esta  imagen  permite  básicas. La f gura 5 muestra una imagen integral, en
          extraer de forma rápida características a diferentes  la localización x,y, contiene la suma de los píxeles
          escalas,  ya  que  no  se  trabaja  directamente  con  de la parte superior izquierda de la imagen.















                                           Figura 5. Imagen integral.

          Adaboost                                   segunda iteración, los ejemplos de entrenamiento,
          Adaboost es un algoritmo de aprendizaje automático  clasif cados erróneamente por el primer clasif cador
          [Schapire,  1999]  que  inicialmente  mantiene  una  débil, reciben ponderaciones más altas. Los nuevos
          distribución uniforme de los pesos en cada muestra  métodos de extracción de entidades seleccionados
          de  entrenamiento.  En  la  primera  iteración,  el  deben centrarse en estas muestras mal clasif cadas.
          algoritmo entrena a un clasif cador débil utilizando  El resultado f nal es una cascada de combinaciones
          métodos de extracción de entidades o mezcla de ellos,  lineales  con  clasif cadores  débiles  seleccionados
          logrando un mayor rendimiento de reconocimiento  [Aguilar,  2017],  en  la  f gura  6  se  presenta  un
          para  las  muestras  de  entrenamiento.  En  la  ejemplo.
















                                    Figura 6. Obtención del clasif cador global.


          Cascada de clasif cadores                  pueden  combinarse  para  formar  un  clasif cador
          El término Boosting fue introducido por Freund,  de  mayor  precisión,  siempre  y  cuando  se
          1997. Es un método de clasif cación que combina  disponga de un número suf ciente de muestras de
          varios clasif cadores básicos para formar un único  entrenamiento. La aplicación de clasif cadores en
          clasif cador  más  complejo  y  preciso.  La  idea  se  cascada  ha  permitido  obtener  buenos  resultados,
          basa en la af rmación de que varios clasif cadores  estos son reportados en [Viola, 2004], y [Castrillón,
          sencillos,  cada  uno  de  ellos  con  una  precisión  2007]. En la f gura 7, se muestra un esquema de un
          ligeramente superior a una clasif cación aleatoria,  clasif cador en cascada.

                                         UNIVERSIDAD AUTÓNOMA DEL CARMEN
   24   25   26   27   28   29   30   31   32   33   34