AdaBoost在人脸检测中的应用.创新教程分析.pptVIP

AdaBoost在人脸检测中的应用 Θ 标记 1 -1 1 1 分布 0.15 0.35 0.25 0.25 结果 -1 -1 1 1 错误率 0.15 Θ 标记 1 1 -1 1 分布 0.15 0.25 0.35 0.25 结果 1 1 -1 -1 错误率 0.25 Θ 标记 -1 1 1 1 分布 0.35 0.15 0.25 0.25 结果 -1 1 1 1 错误率 0 特征1 特征3 特征2 最终选定特征3及其阈值构成弱分类器 排序 排序 排序 “好中取最好” AdaBoost在人脸检测中的应用 怎么构造强分类器 利用AdaBoost算法把多个弱分类器提升为强分类器（节点分类器），成为构建级联分类器的一个个节点。 AdaBoost在人脸检测中的应用 什么是级联（Cascade）分类器 人脸检测是一个极度不对称的二分类问题。 人脸检测= 人脸窗口在图片中仅占很小部分--（1）是小概率事件 非人脸窗口在图片中占了绝大部分--（2）是大概率事件 如果能以很的计算小代价处理大概率事件，就可能降低整体的计算代价以提高检测速度，为此提出级联分类器。 AdaBoost在人脸检测中的应用 Node 1 Node 2 Node 3 Node n-1 Node n … Face Non-face Cascade Structure 特点 （1）高检测率-绝大部分的正样本一路冲到底 （2） n越大对应的T就越大，越“靠后”的节点越复杂，越“聪明”，计算代价越就越大！ （3） Node n是为不能被前面 n-1个节点正确分类的样本而存在的。 节点分类器 即强分类器 AdaBoost在人脸检测中的应用 Node n就是当前面n-1节点都不能正确分类样本时，用它来正确分类这些“顽固”分子，如果Node n也不能完全解决这个问题，再把问题甩给Node n+1。 这就要求越“后面”的节点越“聪明”—T越大 AdaBoost在人脸检测中的应用 怎么构造级联分类器 关键在于： （1）设置Node n的目标检测率d和误检率f （2）训练Node n所用的正样本和训练Node n-1的正样本一样--“正样本一路冲下去” （3）训练Node n所用的负样本，必须是被前n-1个Node 误检的负样本—“Node n是为不能被前面 n-1个节点正确分类的样本而存在的” AdaBoost在人脸检测中的应用 背景库 被Node（1，2，…，n-1） 误检 凑齐足够多被误检 的负样本训练Node n 组成Node n训练样本 Node n-1用的正样本 用AdaBoost训练足够多的弱分类器组成节点分类器以满足d和f AdaBoost在人脸检测中的应用 怎么使用级联分类器 由于事先不知道一张图片中： 人脸数目，人脸位置，人脸尺寸？ 所以，人脸检测实际上是一个搜索过程: （1）不同位置搜索 （2）不同尺度搜索 以图片放缩法为例介绍级联分类器的使用。 AdaBoost在人脸检测中的应用 不同位置搜索 AdaBoost在人脸检测中的应用 不同尺度下搜索 AdaBoost在人脸检测中的应用 小结 模式分类基本流程 凑齐样本 提取特征（Haar） 某个算法（AdaBoost） 分类器（Cascade Classifier） Thank you * * * * 会通中外 并育德才 AdaBoost在人脸检测中的应用 LOGO 目录 模式识别的基本概念 1 AdaBoost的基本原理 2 AdaBoost在人脸检测中的应用 3 模式识别的基本概念 模式识别的定义 输入原始数据并根据其类型采取相应的行为能力 模式识别的目标 自动分类、自动处理?让机器干活，人类享受生活！ 模式识别的实现 人怎么获取知识—学习 如果机器也能学习… 机器学习 从统计学角度来说，机器学习就是在有限的数据样本上 统计（学习）得到“规则”，利用这个“规则”处理具体事务。 模式识别的基本概念 机器学习的特点 （1）有限数据样本 无论中现实角度还是从计算角度上考虑，都不能在一个无限大的样本集上训练（学习）。 例如：人脸检测不能把全世界所有的人脸当做训练样本集，因为： （1）收集工作难 （2）有人没出生 （3）“