36、多相机在线人员检测与实时3D人体姿态估计技术解析

多相机在线人员检测与实时3D人体姿态估计技术解析

多相机在线人员检测实验结果

在人员检测领域，多相机在线学习的人员检测方法展现出了显著的优势。下面将详细介绍该方法在室内和室外场景的实验结果，以及资源需求情况。

室内场景实验结果

在室内场景中，采用Tri - Training方法对初始分类器和最终分类器的性能进行了评估，评估指标包括召回率（Recall）、精确率（Precision）和F - 度量（F - Measure），具体数据如下表所示：
| 分类器类型 | 视图 | 召回率 | 精确率 | F - 度量 |
| — | — | — | — | — |
| 初始分类器 | View 1 | 0.57 | 0.17 | 0.27 |
| 初始分类器 | View 2 | 0.71 | 0.23 | 0.35 |
| 初始分类器 | View 3 | 0.77 | 0.30 | 0.43 |
| 最终分类器 | View 1 | 0.78 | 0.92 | 0.84 |
| 最终分类器 | View 2 | 0.75 | 0.92 | 0.82 |
| 最终分类器 | View 3 | 0.79 | 0.92 | 0.85 |

从表中可以明显看出，最终分类器在各项指标上都有了显著的提升，这表明Tri - Training方法能够有效地提高分类器的性能。

室外场景实验结果

室外场景的实验与室内场景采用了相同的实验方式，并且使用了相同的数据来训练初始分类器。但由于视角不同，需要不同的几何结构，并将原始样本调整为90×30的大小。