基于AdaBoost算法的人脸检测——赵楠 北京大学 下载本文

北京大学本科生毕业论文 (1, 1) x

1 A 3 B 5 2 4 6

y

图 14 矩形特征的特征值计算,只与此特征端点的积分图有关

由此可见,矩形特征的特征值计算..........,只与此特征端点的积分图有关.............,而与图...像坐标值无关......。因此..,不管此矩形特征的尺度如何............,特征值的计算所耗费的时...........间都是常量.....(time constant),而且都只是简单的加减运算............。正因如此,积分

图的引入,大大地提高了检测的速度。

其他的矩形特征的特征值计算依此类推。

6 AdaBoost训练算法

6.1 训练基本算法

基于 AdaBoost 算法的人脸检测 赵楠

39

北京大学本科生毕业论文 6.1.1 基本算法描述

AdaBoost 训练强分类器的算法描述如下[19](算法流程图见下节):

A. 给定一系列训练样本(x1, y1),(x2 , y2 ),?,(xn, yn ),其中 yi = 0表示其为负样

本(非人脸),yi =1表示其为正样本(人脸)。n 为一共的训练样本数量。

B. 初始化权重4 w1,i = D(i);

C. 对t = 1,?,T :

1. 归一化权重:

wt,i

qt,i =

wt, j

2. 对每个特征 f,训练..一个弱分类器h(x, f , p,q) ;计算

对应所有特征的弱分类器的加权(qt )错误率ef :

基于 AdaBoost 算法的人脸检测 赵楠 40

4

北京大学本科生毕业论文 可以这样设置 D(i):D(i) =

1 2m

(对负样本)或 D(i) =

1

(对正样本)。其中 m,l 分别是负样本和正

样本的数量,m +l = n

2l

e f =∑i qih(xi , f , p,q) ? yi

3. 选取最佳的弱分类器ht (x)(拥有最小错误率et ):

et = min f , p,q ∑i qih(xi , f , p,q)? yi =∑i qi h(xi , ft , pt ,qt )? yi

ht (x) = h(x, ft , pt ,qt )

(弱分类器的训练及选取参见 6.2 节)

4. 按照这个最佳弱分类器,调整权重:

wt+1,i = wt,i bt1?ei

其中 ei = 0表示 xi 被正确地分类, ei =1表示 xi 被错误地分类;

et bt = 1?et

D. 最后的强分类器为:

T

1 T

C(x)=

1

0

t=1

a tht (x) ≥ 2

其它

t=1

a t

基于 AdaBoost 算法的人脸检测 赵楠 41

北京大学本科生毕业论文 1

其中a t = log

bt

6.1.2 基本算法流程图

基于 AdaBoost 算法的人脸检测 赵楠

42

北京大学本科生毕业论文

图 15 AdaBoost 训练强分类器算法流程图

6.2 弱分类器 Weak Classifer

一个弱分类器h(x, f , p,q) 由一个特征 f,阈值q和指示不等号方向的 p 组成:

基于 AdaBoost 算法的人脸检测 赵楠

43