每個haar特徵對應看乙個弱分類器，但並不是任伺乙個haar特徵都能較好的描述人臉灰度分布的某一特點，如何從大量的haar特徵中挑選出最優的haar特徵並製作成分類器用於人臉檢測，這是adaboost演算法訓練過程所要解決的關鍵問題。
paul viola和michael jones於2023年將adaboost演算法應用於人臉檢測中,其基本思想是針對不同的訓練集訓練同乙個分類器（弱分類器），然後把這些不同訓練集上的得到的分類器聯合起來，構成乙個最終的強分類器。 adaboost 演算法中不同的訓練集是通過調整每個樣本對應的權重來實現的。開始時，每個樣本對應的權重是相同的，對於h1 分類錯誤的樣本，加大其對應的權重； 而對於分類正確的樣本， 降低其權重， 這樣分錯的樣本就被突出出來，從而得到乙個新的樣本分佈 u2 。在新的樣本分佈下，再次對弱分類器進行訓練，得到弱分類器 h2 。依次類推，經過 t 次迴圈，得到 t 個弱分類器，把這 t 個弱分類器按一定的權重疊加（boost）起來，得到最終想要的強分類器。
訓練系統總體框架，由「 訓練部分」和 「 補充部分」構成。依據系統框架，本文的訓練系統可分為以下幾個模組:
(1)以樣本集為輸入，在給定的矩形特徵原型下，計算並獲得矩形特徵集;
(2)以特徵集為輸入，根據給定的弱學習演算法，確定閩值，將特徵與弱分類器一一對應，獲得弱分類器集;
(3)以弱分類器集為輸入， 在訓練檢出率和誤判率限制下， 使用a d a b o o s t 演算法
挑選最優的弱分類器構成強分類器;
(4)以強分類器集為輸入，將其組合為級聯分類器;
(5)以非人臉集為輸入，組合強分類器為臨時的級聯分類器，篩選並補充
非人臉樣本。
訓練樣本的選擇：
訓練樣本要求是面部特寫影象，圖1是一簇訓練樣本，大小被歸一化為24×24畫素，其中正訓練樣本要求是面部特寫影象，但是人臉形態千差萬別，所以訓練樣本選取過程中要考慮到樣本的多樣性。負訓練樣本，大小被歸一化為24×24畫素，其中各樣本不完全相同，分別具有一定的代表性。
圖1 部分訓練正樣本集和訓練負樣本集
訓練過程分為3個步驟：首先需要提取haar特徵；然後將haar特徵轉化成對應的弱分類器；最後從大量的弱分類器中迭代選擇出最優弱分類器。
(1)提取haar特徵
圖2 常用的四種haar特徵
常用的haar特徵有4種，如圖2所示。當然也可以在這4種特徵的基礎上設計出更多、更複雜的特徵。以大小為24x24畫素的訓練樣本為例，上述4種特徵的總個數超過了160000個。這樣龐大的數字給後續的迭代訓練工作帶來了龐大的計算量，直接導致adaboost演算法訓練過程極為費時，這恰恰是演算法需要改進的關鍵問題之一o
(2)生成弱分類器
每乙個haar特徵都對應著乙個弱分類器，每乙個弱分類器都是根據它所對應的haar特徵的引數來定義的。利用上述haar特徵的位置資訊，對訓練樣本進行統計就可以得到對應的特徵引數。adaboost演算法中所訓練的弱分類器是任何分類器，包括決策樹，神經網路，隱馬爾科夫模型，如果弱分類器是線性神經網路，那麼adaboost演算法每次將構造多層感知器的乙個節點。
(3)採用adaboost演算法選取優化的弱分類器
adaboost演算法訓練過程就是挑選最優弱分類器，並賦予權重過程，圖3是adaboost演算法訓練示意圖。
圖3 adaboost演算法訓練示意圖
Adaboost 訓練過程
每個haar特徵對應看乙個弱分類器，但並不是任伺乙個haar特徵都能較好的描述人臉灰度分布的某一特點，如何從大量的haar特徵中挑選出最優的haar特徵並製作成分類器用於人臉檢測，這是adaboost演算法訓練過程所要解決的關鍵問題。paul viola和michael jones於2001年將ad...
AdaBoost演算法 弱分類器訓練過程
def loadsimpdata 樣本特徵 datmat matrix 1.2.1,0.3 2.1.1,0.4 1.3,1.1.2 1.1.1.1 2.1.1.3 7.2.0.35 正負樣本標誌 classlabels 1.0,1.0,1.0,1.0,1.0,1.0 return datmat,cl...
AdaBoost演算法 強分類器訓練過程
初始化權重 負樣本權重w0i 1 2m，正樣本權重w1i 1 2l，其中m為負樣本總數，l為正樣本總數 對於t 1,t t為訓練次數 權重歸一化，簡單說就是使本輪所有樣本的權重的和為1 根據每乙個特徵訓練簡單分類器，僅使用乙個特徵 從所有簡單分類器中選出乙個分錯率最低的分類器，為弱分類器 更新權重 ...