Полученные ROC-кривые изображены на Рис.3. Из этого графика можно сделать вывод, что оба классификатора являются сильными, так как площадь под кривыми у них большая. В дальнейшем оба классификатора были применены к набору тестовых изображений. По результатам их работы выяснилось следующее: вейвлет классификатор на 10-15% лучше детектирует объекты, чем HOG- классификатор и дает меньше ложных срабатываний. Ложные срабатывания у HOG и вейвлет классификатора, как правило, не совпадают. Вейвлет классификатор работает в 5-6 раз медленнее, чем HOG. В связи с чем предложена следующая схема работы: каскад из нескольких сильных классификаторов, на первой стадии будет работать сильный HOG-классификатор, на вход второго - сильного вейвлет-классификатора, будут подаваться только те фрагменты, которые были детектированы первым как содержащие объект. Таким образом, удастся повысить качество распознавания, снизив количество ложных срабатываний. СПИСОК ЛИТЕРАТУРЫ 1. Freud Y., Schapire R. A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting// Journal of computer and system sciences 55. 1997. P.119-139. 2. Dalal N., Triggs B. Histograms of Oriented Gradients for Human Detection//CVPR. 2005. 3. Schneiderman H. A Statistical Approach to 3D Object Detection Applied to Faces and Cars: doctoral dissertation. РА, USA: Tech. report CMU-RI-TR00-06, Robotics Institute, Carnegie Mellon University, 2000. 106 c. 4. INRIA person dataset. [URL] http://pascal.inrialpes.fr/data/human/ 5. ROC-кривая. [URL] http://www.machinelearning.ru/wiki/index.php?title=ROC-кривая 169