最近，學(xué)習(xí)了Adaboast，并閱讀了大牛Paul Viola和Michael Jones的《Robust Real-Time Face Detection》這篇文章，盡管文章思路及用到的方法的不難，但是細(xì)細(xì)一整理，還是有很多值得推敲的地方。那么我們就從這篇文章說起。

看完這篇文章，第一感覺是似懂非懂，所以就細(xì)細(xì)地梳理了一下思路。總的來說，這篇文章所涉及的方法，和普通機(jī)器學(xué)習(xí)思路是一樣的，分為訓(xùn)練和測試兩步，其中訓(xùn)練又分為兩步，1，通過Adaboast方法對圖像的特征進(jìn)行降維，選擇出最利于圖像分類的有限個特征（也同時是Adaboast的弱分類器）；2，又一次使用Adaboast方法對圖像的特征進(jìn)行組合，成為級聯(lián)偵測器（Cascade）；測試就是通過訓(xùn)練好的級聯(lián)偵測器對圖像進(jìn)行人臉檢測，下面，我們就細(xì)細(xì)講明以上幾個步驟：

一，訓(xùn)練之對圖像特征進(jìn)行降維。

（1）Haar-like特征

在這里，我們使用的圖像特征Haar-like特征，Viola和Jones在此基礎(chǔ)上，使用3種類型4種形式的特征。

3種類型分別為：2-矩形特征、3-矩形特征、4-矩形特征。

如上圖所示，這是4種形式的特征模板，內(nèi)有白色和黑色兩種矩形，并定義該模板的特征值為白色矩形像素和減去黑色矩形像素和。通過改變特征模板的大小和位置，可在圖像子窗口中窮舉出大量的特征。上圖的特征模板稱為“特征原型”；特征原型在圖像子窗口中擴(kuò)展(平移伸縮)得到的特征稱為“矩形特征”；矩形特征的稱為“特征值”。那么在一幅訓(xùn)練圖像中，這種特征模板有多少呢？在查找了大量資料，發(fā)現(xiàn)證明過程如下：

所以，我們得出如下表：

（2）積分圖

積分圖主要的思想是將圖像從起點(diǎn)開始到各個點(diǎn)所形成的矩形區(qū)域像素之和作為一個數(shù)組的元素保存在內(nèi)存中，當(dāng)要計(jì)算某個區(qū)域的像素和時可以直接索引數(shù)組的元素，不用重新計(jì)算這個區(qū)域的像素和，從而加快了計(jì)算。點(diǎn)（x,y）處的積分圖，定義為點(diǎn)（x,y）左上角所有像素和。例如圖：

1,2,3,4分別是積分圖的相對應(yīng)位置的圖，所以D區(qū)間的像素和由下列公式得出：

1=A； 2=A+B; 3=A+C; 4=A+B+C+D

所以，D=（4+1）-（2+3）；

由給出的harr模板，特征區(qū)域均是黑-白，并且黑白區(qū)域是相鄰的，所以the two-rectanglefeatures可以由6個積分點(diǎn)計(jì)算,three-rectangle features可以由8個積分點(diǎn)計(jì)算,our-rectangle features可以由9個點(diǎn)計(jì)算。

（3）Adaboost特征降維

由上面使用的Harr特征，我們知道特征特別多，所以我們必須要對特征進(jìn)行降維，這里使用了Adaboost方法，其中每一個弱分類器使用了決策樁，決策樁就是使用了一個特征和閾值，對樣本分類，使錯誤率最小，公式如下：

其中，x為輸入圖像，f為Harr特征模板對應(yīng)的那種計(jì)算方法，P是方向因子，取+1或者-1，這影響著不等式的方向，sita是閾值；

Adaboost就是算法的訓(xùn)練過程就是挑選最優(yōu)弱分類器，并賦予權(quán)重；其算法如下：

這是普通的Adaboost訓(xùn)練算法，其中在選擇弱分類器的時候，要遍歷所有的樣本、所有特征值、所有閾值，因此作者給出了一個相對快速的遍歷選擇方法：

這樣，我們就選出了T個弱分類器，也就是我們認(rèn)為的T個最適合判斷是否為人臉的特征，接下來就是通過這T個特征（弱分類器）進(jìn)行組合組成強(qiáng)分類器。

二，級聯(lián)偵測器的組成

實(shí)際上，根據(jù)上面第一個Adaboost就可以組成一個強(qiáng)分類器，但是這樣訓(xùn)練會花費(fèi)大量的時間，因此，作者設(shè)計(jì)出了級聯(lián)偵測器，通過層層強(qiáng)分類器級聯(lián)，使訓(xùn)練時間大大減少，示意圖如下圖：

如上圖所示，在每層強(qiáng)分類器訓(xùn)練時所需要的樣本是前面各層級聯(lián)分類器后所剩下的樣本（訓(xùn)練樣本減去前面幾層判斷為非人臉圖像的真實(shí)分人臉圖像—也就是TN），所以樣本為TP,TN和FP，這些樣本的存在使該層強(qiáng)分類器的訓(xùn)練比上一層會更加的嚴(yán)格，算法流程如下：

其實(shí)這也是一個Trade-off的過程，以平衡False positive rate和correct detection rate，使兩個比率均能達(dá)到良好的效果。整個級聯(lián)偵測器作用樣本過程如圖：

這樣對樣本的訓(xùn)練過程就完成了。

三，利用級聯(lián)偵測器測試（作用測試集）

在訓(xùn)練過程中，使用的訓(xùn)練樣本都很小，如該文章所使用的樣本為24*24，但是一般測試樣本會比較大，比說說300*200，這就需要級聯(lián)偵測器與測試集大小匹配，

就這樣，我們用級聯(lián)偵測器對測試集進(jìn)行滑動進(jìn)行判斷，該區(qū)域是否是人臉圖像，最終可以得出結(jié)果，例如：

總結(jié)

以上是生活随笔為你收集整理的基于adaboost的人脸检测方法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。