使用adaboost级联分类方法检测人脸的原理.doc

使用 adaboost 级联分类方法检测人脸的原理陈悦 200920112641 摘要:本文详细的介绍了 adaboost 算法应用在学****人脸检测分类器的过程以及人脸识别的主要应用,第 1节讲述使用 adaboost 算法检测人脸的一些准备知识,包括 haar 特征、积分图像等; 第2 节讲述 adaboost 算法训练人脸检测分类器的流程;第 3 节讲述如何通过级联的分类器加快分类检测速度;第 4节讲述人脸检测的过程;第 5节介绍人脸检测的应用. 关键词:adaboost 算法;人脸检测;haar 特征; 1 Adaboost 算法和人脸 haar 特征 A daboost 算法 A daboost 算法是 Freund 和 Schapire 在 1995 年提出的, 2001 年 Paul Viola 和 Michael J. Jone s 使用基于人脸 haar 特征的 Adaboost 算法加上积分图像和级联技术创造了一种快速人脸检测方法[1] ,其速度之快准确率之高是之前的人脸检测方法所不能比拟的。 Adaboost 是一种迭代算法, 其核心思想是针对同一个训练集训练不同的分类器( 弱分类器) ,然后把这些弱分类器集合起来, 构成一个更强的最终分类器( 强分类器)。其算法本身是通过改变数据分布来实现的, 它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来, 作为最后的决策分类器。使用 adaboost 分类器可以排除一些不必要的训练数据特征, 并将关键放在关键的训练数据上面。该算法其实是一个简单的弱分类算法提升过程, 这个过程通过不断的训练,可以提高对数据的分类能力。 人脸 haar 特征 H aar 特征就是图像的一些矩形模板内像素和的差, 简单可以说成是矩形特征, 如图 1, 把图中的模板可以以任何的尺寸套在图像的任何位置,然后此模板的 haar 特征值就定义为灰色区域内的像素总和减去白色区域的像素总和, 为什么要这样定义呢, 难道人脸图像就由这么简单的特征构成? 图1 haar 特征模板的确, 其实不仅是人脸, 其他许多物体图像也可以同样使用这些特征, 或者我们再增加一些模板特征, 这些特征和物体的关系正如砖瓦和楼房, 回想一下微积分中求定积分的过程不也是把复杂的曲线用一个个简单的矩形去填充的吗?图 2 展示了人脸的 haar 特征, 图2 人脸 haar 特征可以看到人脸的灰度图像确实具有这样的结构特征, 眼睛区域比上下区域要深色, 然后左眼鼻梁右眼也构成一组矩形特征, 那么自然会有这样的疑问, 对于不同的人脸图像, 同一位置的矩形模板内的像素灰度和的差值即 haar 特征几乎都是不同的,这样的特征有什么意义?确实不可能完全相同,但只要是人脸中特定位置的 haar 特征值就基本上会维持在某个范围内,后面我们会看到, 正是利用这样的特性通过 adaboost 算法训练出一个合适的阈值来保证几乎所有人脸的这个区域的 haar 特征都会落在阈值内, 反过来说一幅图像某个区域内的 haar 特征落在一个阈值内, 就是这副图像中可能存在人脸,当然不会是必然存在,还要通过更多不同位置的 haar 特征去