ADABOOST做人脸检测程序与原理

本文主要是介绍ADABOOST做人脸检测程序与原理，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

ADABOOST做人脸识别原理+程序详解

**注意：**adaboost算法的目的是做一个目标检测，举个例子在人脸识别中，adaboost只能检测出一张图片中的人脸，并不能区分这些人脸分别是谁。

*1. 算法的整体流程*
人脸检测（face detection）是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否有人脸，如果有人脸则返回人脸的位置、大小和姿态。

这是matlab中训练一个级联分类的过程，整个流程和adaboost的流程很像。
算法的整体流程如下图所示：

*2. 算法详解*
基于adaboost的人脸检测算法来说，训练分类器的部分，主要分成以下四步：
1. step1 样本初始化
给定一系列的训练样本（x₁,y₁），（x₂,y₂）， ···，（x_n,y_n）其中， y_i=1表示样本为人脸，y_i=0表示样本为非人脸。设人脸正样本的数量为n₁，非人脸负样本的数量为n₂。

2. step2 权重初始化
**目的：**adaboost采用多个弱分类组成的强分类器，这里的权重初始化，是对所有的样本进行的初始化，当第i个弱分类器对第j个样本分类错误时，则增大第j个样本在后续分类器中的权重。通俗的讲，就像我们在学习的时候要准备一个错题本，注意前面的错题一样。
对所有样本的权重初始化为：

$w = \frac{1}{n_{1}+n_{2}}$

3. step3 最佳弱分类器选择
设共需从原有的N个弱分类器中选择T个弱分类器，用t来进行当前弱分类器的计数，则t=1，2，···，T；用以下步骤训练第t轮的最佳弱分类器：
>
- 权重归一化:

$q_{t,i} = \frac{w_{t,i}}{\sum_{i=1}^{n}w_{t,i}}$

弱分类器训练：
对于每个特征E(就是应用各种不同尺度的Harr特征)，训练一个对应的弱分类器h（x,E,p,theta）,该分类器对所有样本进行分类时对应于各样本的加权错误率为：

$\varepsilon _{E} = \sum_{i}q _{t}|h(x _i, E, p, \Theta ) - v_i)|$
最佳弱分类器选取：
上一步计算的是一个特征对所有样本的分类错误率，这里就计算所有的特征（选用20x20的人脸图像是，共有78460个特征）
伪代码：
for t = 1:T
for j = 1:num_of_feature
计算每个feature对n个样本的加权错误率，选取加权错误率最小的feature作为t个弱分类器；
最小错误率为：

$\varepsilon _{t} = \sum_{i}q _{i}|h(x _i, E _t, p _t, \Theta _t ) - v_i)|$
权重更新：
目的：为了提高前面错误分类样本的权重
计算更新因子：

$\beta _t = \frac{\epsilon _t}{1 - \epsilon _ t}$
权重更新：
$w _{t+1,i} = w_{t,i}\beta_{t}^{1-\zeta _ i}$
其中：
当样本xi被正确分类时， $\zeta _ i$ = 0；
当样本xi被错误分类时， $\zeta _ i$ = 1。