資源描述：
《使用adaboost級(jí)聯(lián)分類方法檢測(cè)人臉地原理》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。
1、實(shí)用標(biāo)準(zhǔn)使用adaboost級(jí)聯(lián)分類方法檢測(cè)人臉的原理陳悅200920112641摘要:本文詳細(xì)的介紹了adaboost算法應(yīng)用在學(xué)習(xí)人臉檢測(cè)分類器的過程以及人臉識(shí)別的主要應(yīng)用，第1節(jié)講述使用adaboost算法檢測(cè)人臉的一些準(zhǔn)備知識(shí)，包括haar特征、積分圖像等；第2節(jié)講述adaboost算法訓(xùn)練人臉檢測(cè)分類器的流程；第3節(jié)講述如何通過級(jí)聯(lián)的分類器加快分類檢測(cè)速度；第4節(jié)講述人臉檢測(cè)的過程；第5節(jié)介紹人臉檢測(cè)的應(yīng)用.關(guān)鍵詞:adaboost算法;人臉檢測(cè);haar特征;1Adaboost算法和人臉haar特征1.1Adaboost算法Adaboost算法是Freun
2、d和Schapire在1995年提出的，2001年P(guān)aulViola和MichaelJ.Jones使用基于人臉haar特征的Adaboost算法加上積分圖像和級(jí)聯(lián)技術(shù)創(chuàng)造了一種快速人臉檢測(cè)方法[1]，其速度之快準(zhǔn)確率之高是之前的人臉檢測(cè)方法所不能比擬的。Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個(gè)更強(qiáng)的最終分類器(強(qiáng)分類器)。其算法本身是通過改變數(shù)據(jù)分布來實(shí)現(xiàn)的，它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來確定每個(gè)樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分
3、類器進(jìn)行訓(xùn)練，最后將每次訓(xùn)練得到的分類器最后融合起來，作為最后的決策分類器。使用adaboost分類器可以排除一些不必要的訓(xùn)練數(shù)據(jù)特征，并將關(guān)鍵放在關(guān)鍵的訓(xùn)練數(shù)據(jù)上面。該算法其實(shí)是一個(gè)簡(jiǎn)單的弱分類算法提升過程，這個(gè)過程通過不斷的訓(xùn)練，可以提高對(duì)數(shù)據(jù)的分類能力。1.2人臉haar特征H文檔大全實(shí)用標(biāo)準(zhǔn)aar特征就是圖像的一些矩形模板內(nèi)像素和的差，簡(jiǎn)單可以說成是矩形特征，如圖1，把圖中的模板可以以任何的尺寸套在圖像的任何位置，然后此模板的haar特征值就定義為灰色區(qū)域內(nèi)的像素總和減去白色區(qū)域的像素總和，為什么要這樣定義呢，難道人臉圖像就由這么簡(jiǎn)單的特征構(gòu)成？圖1haar特
4、征模板的確，其實(shí)不僅是人臉，其他許多物體圖像也可以同樣使用這些特征，或者我們?cè)僭黾右恍┠０逄卣?，這些特征和物體的關(guān)系正如磚瓦和樓房，回想一下微積分中求定積分的過程不也是把復(fù)雜的曲線用一個(gè)個(gè)簡(jiǎn)單的矩形去填充的嗎？圖2展示了人臉的haar特征，圖2人臉haar特征可以看到人臉的灰度圖像確實(shí)具有這樣的結(jié)構(gòu)特征，眼睛區(qū)域比上下區(qū)域要深色，然后左眼鼻梁右眼也構(gòu)成一組矩形特征，那么自然會(huì)有這樣的疑問，對(duì)于不同的人臉圖像，同一位置的矩形模板內(nèi)的像素灰度和的差值即haar特征幾乎都是不同的，這樣的特征有什么意義？確實(shí)不可能完全相同，但只要是人臉中特定位置的haar特征值就基本上會(huì)維持
5、在某個(gè)范圍內(nèi)，后面我們會(huì)看到，正是利用這樣的特性通過adaboost算法訓(xùn)練出一個(gè)合適的閾值來保證幾乎所有人臉的這個(gè)區(qū)域的haar特征都會(huì)落在閾值內(nèi)，反過來說一幅圖像某個(gè)區(qū)域內(nèi)的haar特征落在一個(gè)閾值內(nèi)，就是這副圖像中可能存在人臉，當(dāng)然不會(huì)是必然存在，還要通過更多不同位置的haar特征去印證是否真的存在人臉。一幅圖像中的haar特征究竟有多少，就拿24×文檔大全實(shí)用標(biāo)準(zhǔn)24大小的圖像來說，對(duì)于每一種模板的haar特征用組合公式可以推導(dǎo)出平均大概有3萬多個(gè)，5種模板就有16萬個(gè)，當(dāng)然這些只是窮舉得到的結(jié)果，我們并不關(guān)心所有位置的haar特征，后面會(huì)看到使用adaboo
6、st算法去自動(dòng)篩選出合適的人臉特征。1.1積分圖像坐標(biāo)A(x,y)的積分圖定義為其左上角矩形所有像素之和，用公式表示為：圖3點(diǎn)A（x,y）處的積分圖像當(dāng)我們把一幅圖像的所有坐標(biāo)點(diǎn)的積分圖像都求出并保存起來，通過它來求haar特征的速度非?？?，因?yàn)槠鋸?fù)雜度與尺寸大小無關(guān)，可以看到圖4，如果要求第1種模板類型的haar特征，見圖1，即C+D-(A+B)，C+D用點(diǎn)4減去點(diǎn)2的積分圖像得到，A+B就是點(diǎn)2的積分圖像，于是C+D-(A+B)就是點(diǎn)4減去兩倍的點(diǎn)2的積分圖像，由于各點(diǎn)處的積分圖像事先已經(jīng)求出，所以只需要執(zhí)行簡(jiǎn)單的加減操作，同時(shí)也看到計(jì)算復(fù)雜度確實(shí)與區(qū)域的大小無關(guān)
7、。圖42Adaboost算法訓(xùn)練人臉檢測(cè)分類器2.1算法描述文檔大全實(shí)用標(biāo)準(zhǔn)下提到的人臉訓(xùn)練圖像都是指經(jīng)過裁切的僅保留人臉的圖像。首先給出一堆訓(xùn)練用的圖像，分別有m張人臉圖像和l張非人臉圖像，一開始分別賦予它們1/2m和1/2l的權(quán)重，接下來要從所有的矩形特征中選出最符合條件的T個(gè)特征，算法描述如下圖7：圖7adaboost算法訓(xùn)練人臉分類器步驟1.1算法分析整個(gè)算法的思想是，首選假定圖像中某個(gè)一位置的haar特征是一個(gè)突出的人臉特征，然后分別在所有人臉和非人臉訓(xùn)練圖像的這個(gè)位置看看是否真的存在，方法是求出haar特征值看其是否在一個(gè)設(shè)定的閾值以內(nèi)，
