基於haar特徵的Adaboost人臉檢測技術

基於haar特徵的adaboost人臉檢測技術

本文主要是對使用haar+adabbost進行人臉檢測的一些原理進行說明，主要是快找工作了，督促自己複習下~~

一、adaboost演算法原理

adaboost演算法是一種迭代的演算法，對於一組訓練集，通過改變其中每個樣本的分布概率，而得到不同的訓練集si，對於每乙個si進行訓練從而得到乙個弱分類器hi，再將這些若分類器根據不同的權值組合起來，就得到了強分類器。

第一次的時候，每個樣本都是均勻分布，通過訓練得到分類器h0，

在該訓練集中，分類正確的，就降低其分布概率；分類錯誤的，就提高其分布概率，這樣得到的新的訓練集s1就主要是針對不太好分類的樣本了。再使用s1進行訓練，得到分類器h1，依次迭代下去……，設迭代此外為t，則得到t個分類器。

對於每個分類器的權值，其分類準確性越高，權值越高。

二、haar特徵

2.1 特徵樣子

就是一些矩形特徵的模板，在viola&jones的**中，有下面這五種

在opencv中的方法中，有下面這14種，

2.2 特種的個數

對於乙個給定的24x24的視窗，根據不同的位置，以及不同的縮放，可以產生超過160,000個特徵。

2.3 特徵計算方法——積分圖

有點類似於動態規劃的思想，一次計算，多次使用

對應於兩矩形特徵2，矩陣a的值可以用i(5)+ii(1)-ii(4)-ii(2)表示，矩陣b的值用ii(6)+ii(2)-ii(3)-ii(5)表示

根據定義，haar特徵的值為白色矩形減去黑色矩形的值。

三、選取弱分類器

乙個弱分類器，實際上就是在這160,000+的特徵中選取乙個特徵，用這個特徵能夠區分出人臉or非人臉，且錯誤率最低。

現在有人臉樣本2000張，非人臉樣本4000張，這些樣本都經過了歸一化，大小都是24x24的影象。那麼，對於160,000+中的任一特徵fi，

我們計算該特徵在這2000人臉樣本、4000非人臉樣本上的值，這樣就得到6000個特徵值。將這些特徵值排序，然後選取乙個最佳的特徵值，在該特徵值下，對於特徵fi

來說，樣本的加權錯誤率最低。選擇160,000+個特徵中，錯誤率最低的特徵，用來判斷人臉，這就是乙個弱分類器，同時用此分類器對樣本進行分類，並更新樣本的權重。

具體過程如下：

1. 歸一化權重：　　

2、對於每乙個特徵f，訓練乙個弱分類器h;計算所以特徵的加權錯誤率εf，

3、選取具有最小錯誤率εf

的弱分類器hi

4、調整權重

四、級聯成強分類器

五、檢測

檢測過程中，通過不斷的調整檢測視窗的位置、比例，來找到人臉。