Haar特征20130527重点分析.ppt

人脸检测之Haar分类器 以及HSV颜色模型研究 何双双2013.05.27 * 目录 1.人脸检测之Haar分类器 2.HSV颜色空间 * 人脸检测方法 基于知识的方法： 模板匹配 人脸特征 形状与边缘 纹理特性 颜色特征 ??????? 基于统计的方法： 主成分分析与特征脸 神经网络方法 支持向量机 隐马尔可夫模型 Adaboost算法 * Viola人脸检测方法 方法框架可以分为以下三大部分:第一部分：使用Harr-like特征表示人脸，使用“积分图”实现特征数值的快速计算第二部分：使用Adaboost算法挑选出一些最能代表人脸的矩形特征( 弱分类器)第三部分：①.按照加权投票的方式将弱分类器构造为一个强分类器 ②. 将训练得到的若干强分类器串联组成一个级联结构的层叠分类器 Viola人脸检测方法是一种基于积分图、 级联检测器和AdaBoost 算法的方法 * Haar-like特征 Haar-like特征分为三类： 边缘特征 线性特征 中心特征和对角线特征 * Haar分类器 Haar分类器算法的要点如下： ①　使用Haar-like特征做检测。 ②　使用积分图（Integral Image）对Haar-like特征求值进行加速。 ③　使用AdaBoost算法训练区分人脸和非人脸的强分类器。 ④　使用筛选式级联把强分类器级联到一起，提高准确率。 Haar分类器?= Haar-like特征?+?积分图方法?+ AdaBoost +级联 * 特征的作用 将任意一个矩形放到人脸区域上，然后将白色区域的像素和减去黑色区域的像素和，得到的值我们暂且称之为人脸特征值。 作用：如果你把这个矩形放到一个非人脸区域，那么计算出的特征值应该和人脸特征值是不一样的。而且越不一样越好，所以这些方块的目的就是把人脸特征量化，以区分人脸和非人脸。 * 弱学习和强学习 弱学习：就是指一个学习算法对一组概念的识别率只比随机识别好一点 强学习：就是指一个学习算法对一组概率的识别率很高。 Kearns和Valiant提出了弱学习和强学习等价的问题并证明了只要有足够的数据，弱学习算法就能通过集成的方式生成任意高精度的强学习方法。 * 弱分类器 X：子窗口图像 f:一个特征 p:指示不等号方向 Θ:阈值 P的作用是控制不等式的方向，使得不等式都是号，形式方便。 训练最优弱分类器的过程实际上就是在寻找合适的分类器阈值，使该分类器 对所有样本的判读误差最低。 * 训练弱分类器 具体操作过程如下： 1）对于每个特征?f，计算所有训练样本的特征值，并将其排序。 扫描一遍排好序的特征值，对排好序的表中的每个元素，计算下面四个值： 全部人脸样本的权重的和t1；全部非人脸样本的权重的和t0； 在此元素之前的人脸样本的权重的和s1； 在此元素之前的非人脸样本的权重的和s0； 2）最终求得每个元素的分类误差 ??????在表中寻找r值最小的元素，则该元素作为最优阈值。 有了该阈值，我们的第一个最优弱分类器就诞生了。 * 强分类器 强分类器的诞生需要T轮的迭代，具体操作如下： 1.?给定训练样本集S，共N个样本，其中X和Y分别对应于正样本和负样本； ?T为训练的最大循环次数；　　 2.?初始化样本权重为1/N，即为训练样本的初始概率分布；　　 3.?第一次迭代训练N个样本，得到第一个最优弱分类器; 4.?提高上一轮中被误判的样本的权重； 5.?将新的样本和上次分错的样本放在一起进行新一轮的训练。 6.?循环执行4-5步骤，T轮后得到T个最优弱分类器。 7.组合T个最优弱分类器得到强分类器，组合方式如下： 相当于让所有弱分类器投票，再对投票结果按照弱分类器的错误率加权求和， 将投票加权求和的结果与平均投票结果比较得出最终的结果。 * 级联强分类器 Haar分类器是有两个体系:训练的体系和检测的体系。 训练的部分的最后一部分就是对筛选式级联分类器的训练。 训练出多个强分类器将它们强强联手，最终形成正确率很高的级联分类器 这就是我们最终的目标Haar分类器。 级联强分类器的策略是，将若干个强分类器由简单到复杂排列， 希望经过训练使每个强分类器都有较高检测率，而误识率可以放低。 * 级联分类器训练 设K是一个级联检测器的层数 D是该级联分类器的检测率 F是该级联分类器的误识率 di是第i层强分类器的检测率 fi是第i层强分类器的误识率 如果要训练一个级联分类器达到给定的F值和D值，只需要训练出每层的d值和f值 这样：d^K = D, f^K = F 级联分类器的要点就是如何训练每层强分类器的d