第六章 實驗結果與比較
6.3 靜動態資料庫實驗結果
6.3.1 靜態資料庫實驗結果、統計、分析與比較
在靜態資料庫的實驗中除了進行偵測率方面的效能(Performance)實驗之外，還 會針對計算一個偵測視窗的運算效率 (Efficiency)進行測試與比較。另外因為 GDguiding AdaBoost 根據全域偵測器結果(-1、0、+1)的不同，運算時間也不同，
所以在 GDguiding AdaBoost 的運算效率實驗有三種結果，因為不同的資料庫所訓 練出的弱分類器數量有差異，這邊是以 CBCL_V1 作為運算效率實驗，四種人形分 類器與兩套平台偵測視窗運算效率結果如表 6-5 所示。
106
表 6-5 四種人形分類器與兩套平台偵測視窗運算效率
Platforms PC
(Desktop)
Macube (SW)
Dalal (Method 1)
HOG-AdaBoost (Method 2)
GDguiding AdaBoost (Method 3)
5.345 12.427
HOG-
AdaBoost-LFV (Our) (Method 4)
Macube (SW/HW)
3.735 HOGs (ms)
LSVM (ms) Total (ms)
HOGs (ms) LSVM (ms) Total (ms)
HOGs
HOGs (ms) LSVM (ms) Total (ms)
5.314 12.283 3.591 0.031 0.144 0.144
1.229 4.151 0.951
1.218 4.104 0.922 0.011 0.047 0.029
0.029
1.239 4.157 0.951
1.231 4.120 0.925 0.008 0.037 0.026 GD (ms)
813 240 1051
DW/Sec
63~127 20~43 21~49 DW/Sec
807 240 1051
DW/Sec
在運算效率的實驗結果中可以發現運算速度最快的是 HOG-AdaBoost 與 HOG-AdaBoost-LFV 兩種方法，這兩種方法使用 MaCube 整合 HOG 硬體加速器的 平台均能達到每秒 1051 個偵測視窗的運算量，次之是 Dalal 方法，每秒能運算 267 個偵測視窗，而運算速度最慢的是 GDguiding AdaBoost，每秒只能運算 21~49 個
107
偵測視窗。若考量到嵌入式人形偵測系統即時偵測的需求，那麼較適合的方法是 HOG-AdaBoost 與 HOG-AdaBoost-LFV 兩種方法。接著是使用樣本集進行四種人 形分類器的 Performance 實驗，實驗結果如表 6-6 所示。
表 6-6 靜態資料庫偵測率實驗結果 1
Method CBCL_V2
Pure SW
PPV 99.77
Accuracy
PPV 100
TPR 96.75
99.56
(Method 1)
HOG-AdaBoost (Method 2)
FPR 0.07
FNR 3.03
0.14
Accuracy 99.83 99.17 99.61 99.78
FPR 0
FNR 3.24
0.14 (Method 4)
GDguiding AdaBoost (Method 3)
Pure SW
PPV 99.73
Accuracy
PPV 99.74
TPR 83.33
99.77
FPR 0.07
FNR 18.18
0
Accuracy 98.46 95.71 97.58 97.63
FPR 0.07
FNR 16.66
0.07
PPV 100
Accuracy
PPV 100
TPR 83.33
99.77
FNR 16.23
0.14
Accuracy 98.68 95.77 97.25 97.52
FPR 0
FNR 16.66
0.07
PPV 98.68
Accuracy
PPV 98.87
TPR 95.23
98.70
FPR 0.44
FNR 2.81
0.22
Accuracy 99.45 98.51 99.39 99.67
FPR 0.36
FNR 4.76
0.44
108
由表 6-6 的 Performance 實驗結果中可以發現，四種人形分類器的純軟體(SW) 與 使用 HOG 硬體加 速器的軟硬體協 同設 計 (SW/HW Co-Design) ，其準確率 (Accuracy)只有±0.05~1.09%的變動。而 Performance 表現最好的是 Dalal 的方法，
次之是我們的 HOG-AdaBoost-LFV 方法。另外 HOG-AdaBoost 與 GDguiding AdaBoost 的 Performance 表現較差，這兩種方法的 Performance 互有優劣，差異性 不大。
但是，HOG-AdaBoost 與 GDguiding AdaBoost 有使用 AdaBoost 訓練完得到的 權重 Alpha_t，其效能表現理應較 Dalal 以及我們的 HOG-AdaBoost-LFV 方法好。
為了確認有無使用權重對於效能的影響，我們另外做了一個實驗，在我們的方法 中使用 Alpha_t，於向量串接的過程中對每組 36 維向量進行加權，方法名稱命名 為 HOG-AdaBoost-LFV_Weighting。如表 6-7 所示，由結果可以發現，有使用權重 反而使效能降低，其原因是值得再深入探討的。
表 6-7 靜態資料庫偵測率實驗結果 2
Method CBCL_V1 CBCL_V2 CBCL_V3 CBCL_V4
HOG-
AdaBoost-LFV (Our) (Method 4)
Pure SW
PPV 98.68
Accuracy
PPV 98.87
TPR 95.23
98.70
FPR 0.44
FNR 2.81
0.22
Accuracy 99.45 98.51 99.39 99.67
FPR 0.36
FNR 4.76
0.44
PPV 98.65
Accuracy
FPR 0.44
FNR 4.76
0.51 (Method 5)
PPV 97.78
TPR 95.45
98.47
Accuracy 99.06 98.29 99.23 99.06
FPR 0.73
FNR 4.54
0.51
109
以準確率進行觀察，Dalal 與我們的方法在 INRIA 樣本集的落差會較高是因為 INRIA 樣本集的正樣本人形不一致性太高，經由 AdaBoost 挑選出的弱分類器數量 只有 11 個所造成。而在 CBCL 與 CVC 的樣本集只有 0.04~0.66%之間的落差，但 是考量到建置嵌入式即時人形偵測系統的需求與實用性，在嵌入式系統上同樣使 用 SW/HW Co-Design 的情況之下，我們的方法比 Dalal 的方法快了 3.94 倍，更比 Dalal 方法的純軟體快上 13.14 倍。