2020基于AdaBoost算法的人脸检测.ppt

3.3 强分类器 ? 2 ）对每个特征 j 训练一个分类器 h j , 使得该分类器只用这个特征进行分 类。相应的错误率为： 3 ）选择具有最小误差值 ε t 的弱分类器 h t 加入到强分类器里。 4 ）更新到每个样本所对应的权重 上式中 , 若第 i 个样本 x i 被正确分类，则 e i =0 , 反之 e i =1 。 (4) 最后形成的强分类器为： 其中， 3.4 级联分类器 ? 级联分类器是由一系列强分类器串联而成的分类器，每一层都是由 ? Adaboost 算法训练得到的强分类器，这种分类器可以在保证检测率 的基础上，大大降低误检率和检测时间，其形式如下： 3.4 级联分类器 ? 如图所示，级联分类器是把若干个强分类器分级串联到一起，强分类 器会一级要比一级复杂，一级要比一级严格。检测过程中非人脸图像 会在前端被排除，只有人脸图像才可以通过各级强分类器的检测。此 外，由于大量的非人脸图像会被级联分类器的前几级快速排除，从而 整个检测速度会大大加快。级联分类器的运行流程如下图 所示： 基于 AdaBoost 算法的人 脸检测 姓名：董银 学号： 2111305003 内容摘要 人脸检测是指对待检测图像，采用一定的方法对其进行搜索来确定 其中是否存在人脸，如果存在，则返回人脸的位置、姿态和大小。人 脸检测源自人脸识别，是人脸识别系统中一个关键环节。随着近年来 电子商务应用的发展，人脸检测开始作为一个独立的课题，受到研究 者的重视。人脸检测作为人脸信息处理中的一项关键技术，在身份验 证、基于内容的图像检索、自动监控、人机交互等方面有着重要的应 用价值。本文详细分析了 Viola 等人提出的 Adaboost 级联人脸检测算 法，主要任务在于： 1 、详细得介绍了 Adaboost 算法的 Haar 特征、积分图像、弱分类器、强 分类器的概念，在深入研究基于 Adaboost 算法的人脸检测方法的同 时，构建了一个人脸实时检测系统。 2 、最后针对传统 Adaboost 算法在训练过程中出现的退化问题、目标非 对称问题和分类器相关性问题，都进行了相应的改进，实验结果表明， 改进后的方法在一定程度上避免了退化现象，且在检测率和检测速度 方面都有一定的提高本文详细分析了 Viola 等人提出的 Adaboost 级联 人脸检测算法。 目 录 1 2 简介 矩形特征和积分图 3 AdaBoost 学习算法 4 AdaBoost 的改进 5 人脸检测系统的实现 第一章 简介 Adaboost 人脸检测方法是一种基于积分图、 Adaboost 算法和级联检测器的方法 , 具有鲁棒性强、检测率高等特 点 。 Viola 于 2001 年提出了基于 Adaboost 算法的人脸检测 方法 。 这种方法首先采用一种被称为 “ 积分图 ” 的方法快速 地计算出大量的简单特征 , 再用 Adaboost 学习算法从一个 较大的特征集中选出少量关键的分类能力较强的特征构造 出一系列弱分类器 , 而后通过线性组合将这些弱分类器组 合构成一个强分类器 , 最后通过 Cascade 级联算法将单个 分类器合成为一个更加复杂的人脸检测器。这种方法有以 下三个特点： 1. 使用一种叫做积分图的方法来计算特征值。 2.Adaboost 算法从大量的特征中选出少量关键特征构成 一个强分类器。 3. 将强分类器串联成级联分类器。 第二章 矩形特征和积分图 ? 2.1 矩形特征 ? 1 、定义 ? 矩形特征也叫类 Haar 特征 , 能有效地区别人脸与非人脸。最初的类 Haar 特征是由 Papageorgiiou 提出的。矩形特征值是指图像中两个或 多个形状大小相同的矩形内所有像素的灰度值之和的差值。图 2 一 1 中包括三种特征 ,a 和 b 为双矩形特征 , 将其特征值定义为白色矩形像素 和减去黑色矩形像素和。 c 、 d 为三矩形特征 , 其特征值定义为两边的 两个白色矩形的像素和减去中间的黑色矩形的像素和。 e 为四矩形特 征 , 其特征值为对角线上矩形内像素和之差。 图 2-1 矩形特征 2.1 矩形特征 Haar 特征，也叫矩形特征，它对一些简单的图形结构，比如边缘、 线段，比较敏感，但是其只能描述特定走向 ( 水平、垂直、中心 ) 的结 构，因此比较粗略。如图 2-2 ，脸部一些特征能够由矩形特征简单地 描绘，上行是子窗口内选出的矩形特征，下行是子窗口检