(人脸检测之Haar分类器).pptVIP

* * * * * * * * 弱分类器和强分类器就是弱学习算法和强学习算法。弱学习算法是比较容易获得的，获得过程需要数量巨大的假设集合，这个假设集合是基于某些简单规则的组合和对样本集的性能评估而生成的，而强学习算法是不容易获得的 * * 人脸检测之Haar分类器 杨俊2013.09.24 * 目录 1.什么是Haar分类器？ 2.什么是Haar-like特征? 3.什么是强、弱学习算法? 4.什么是adaboost算法？ 5.什么是分类器级联 * 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 * 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 本文中介绍的Haar分类器方法，包含了Adaboost算法。 * 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-like特征 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。 * Haar-like特征 举例：将白色区域内的像素和减去黑色区域，因此在人脸与非人脸图片的相同位置上，值的大小是不一样的，这些特征可以用来区分人脸和分人脸。一个Haar-like特征在一个窗口中怎样排列能够更好的体现人脸的特征，这是未知的，所以才要训练 * 弱学习和强学习 弱学习算法：识别错误率小于 1/2(即准确率仅比随机猜测略高的学习算法)。 强学习算法：识别准确率很高并能在多项式时间内完成的学习算法。 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。 * AdaBoost算法 AdaBoost算法：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)，按照加权投票的方式将弱分类器构造为一个强分类器。 举例：图中符号分别代表正负样本 * AdaBoost算法 * AdaBoost算法 第一步：获得弱分类器。最初的弱分类器可能只是一个最基本的Haar-like特征，计算输入图像的Haar-like特征值，和最初的弱分类器的特征值比较，以此来判断输入图像是不是人脸，然而这个弱分类器太简陋了，可能并不比随机判断的效果好多少. 对弱分类器的孵化就是训练弱分类器成为最优弱分类器，注意这里的最优不是指强分类器，只是一个误差相对稍低的弱分类器，训练弱分类器实际上是为分类器进行设置的过程。 * AdaBoost算法 要比较输入图片的特征值和弱分类器中特征，一定需要一个阈值，当输入图片的特征值大于该阈值时才判定其为人脸。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。 说明：图中，“+”和“-”分别表示两种类别，在这个过程中，我们使用水平或者垂直的直线作为分类器，来进行分类。 * AdaBoost算法 第二步：更新被误判的样本的权重 * AdaBoost算法 算法最开始给了一个均匀分布 D 。所以h1 里的每个点的值是0.1。ok，当划分后，有三个点划分错了，根据算法误差表达式得到 误差为分错了的三个点的值之和，所以?1=(0.1+0.1+0.1)=0.3，而ɑ1 根据表达式?的可以算出来为0.42: * AdaBoost算法 然后就根据算法 把分错的点权值变大。分错点的权值计算如下： 对于归类正确的 7 个点，其权值保持不变，为 0.1；对于归类错误的三个点，其权值为： * AdaBoost算法 第二次迭代：重复第一、二步 根据分类的正确率，得到一个新的样本分布 D3，一个子分类器 h2 如上图所示，弱分类器 h2 中有三个“-”符号分类错误，分类错误的权值为 we2=0.1*3=0.3； 上图中十个点的总权值为：wt2=0.1*7+0.233*3=1.3990； 错误率为： * AdaBoost算法 对于分类错误的三个点，其权值为： 即