AdaBoost算法的訓(xùn)練過(guò)程

每個(gè)Haar特征對(duì)應(yīng)看一個(gè)弱分類器，但并不是任何一個(gè)Haar特征都能較好的描述人臉灰度分布的某一特點(diǎn)，如何從大量的Haar特征中挑選出最優(yōu)的Haar特征并制作成分類器用于人臉檢測(cè)，這是AdaBoost算法訓(xùn)練過(guò)程所要解決的關(guān)鍵問(wèn)題。PaulViola和MichaelJones于2001年將Adaboost算法應(yīng)用于人臉檢測(cè)中，其基本思想是針對(duì)不同的訓(xùn)練集訓(xùn)練同一個(gè)分類器(弱分類器)，然后把這些不同訓(xùn)練集上的得到的分類器聯(lián)合起來(lái)，構(gòu)成一個(gè)最終的強(qiáng)分類器。Adaboost算法中不同的訓(xùn)練集是通過(guò)調(diào)整每個(gè)樣本對(duì)應(yīng)的權(quán)重來(lái)實(shí)現(xiàn)的。開(kāi)始時(shí)，每個(gè)樣本對(duì)應(yīng)的權(quán)重是相同的，對(duì)于h1分類錯(cuò)誤的樣本，加大其對(duì)應(yīng)的權(quán)重；而對(duì)于分類正確的樣本，降低其權(quán)重，這樣分錯(cuò)的樣本就被突出出來(lái)，從而得到一個(gè)新的樣本分布U2。在新的樣本分布下，再次對(duì)弱分類器進(jìn)行訓(xùn)練，得到弱分類器h2。依次類推，經(jīng)過(guò)T次循環(huán)，得到T個(gè)弱分類器，把這T個(gè)弱分類器按一定的權(quán)重疊加(boost)起來(lái)，得到最終想要的強(qiáng)分類器。訓(xùn)練系統(tǒng)總體框架，由“訓(xùn)練部分”和“補(bǔ)充部分”構(gòu)成。依據(jù)系統(tǒng)框架，本文的訓(xùn)練系統(tǒng)可分為以下幾個(gè)模塊:以樣本集為輸入，在給定的矩形特征原型下，計(jì)算并獲得矩形特征集;以特征集為輸入，根據(jù)給定的弱學(xué)習(xí)算法，確定閩值，將特征與弱分類器一一對(duì)應(yīng)，獲得弱分類器集;以弱分類器集為輸入，在訓(xùn)練檢出率和誤判率限制下，使用AdaBoost算法挑選最優(yōu)的弱分類器構(gòu)成強(qiáng)分類器;以強(qiáng)分類器集為輸入，將其組合為級(jí)聯(lián)分類器;以非人臉圖片集為輸入，組合強(qiáng)分類器為臨時(shí)的級(jí)聯(lián)分類器，篩選并補(bǔ)充非人臉樣本。

訓(xùn)練部分圏工1訓(xùn)練系統(tǒng)框架書匕灑最憂弱分類器，籲［AdaBooM算法訓(xùn)粽強(qiáng)分類器計(jì)算矩形特征值強(qiáng)分燙器集計(jì)算樣本積分圖級(jí)聯(lián)分類器菲人雎圏片集矩形特征原町訓(xùn)練部分圏工1訓(xùn)練系統(tǒng)框架書匕灑最憂弱分類器，籲［AdaBooM算法訓(xùn)粽強(qiáng)分類器計(jì)算矩形特征值強(qiáng)分燙器集計(jì)算樣本積分圖級(jí)聯(lián)分類器菲人雎圏片集矩形特征原町特征集人臉樣本集 非人臉樣本樂(lè)一:駙宦閩值*由矩形特征生我對(duì)應(yīng)的弱分類器弱分類器集補(bǔ)充非人臉樣本訓(xùn)練樣本的選擇：訓(xùn)練樣本要求是面部特寫圖像，圖1是一簇訓(xùn)練樣本，大小被歸一化為24x24像素，其中正訓(xùn)練樣本要求是面部特寫圖像，但是人臉形態(tài)千差萬(wàn)別，所以訓(xùn)練樣本選取過(guò)程中要考慮到樣本的多樣性。負(fù)訓(xùn)練樣本，大小被歸一化為24x24像素，其中各樣本不完全相同，分別具有一定的代表性。圖1圖1部分訓(xùn)練正樣本集和訓(xùn)練負(fù)樣本集訓(xùn)練過(guò)程分為3個(gè)步驟：首先需要提取Haar特征；然后將Haar特征轉(zhuǎn)化成對(duì)應(yīng)的弱分類器;最后從大量的弱分類器中迭代選擇出最優(yōu)弱分類器。(1)提取Haar特征圖2常用的四種Haar特征常用的Haar特征有4種，如圖2所示。當(dāng)然也可以在這4種特征的基礎(chǔ)上設(shè)計(jì)出更多、更復(fù)雜的特征。以大小為24X24像素的訓(xùn)練樣本為例，上述4種特征的總個(gè)數(shù)超過(guò)了160000個(gè)。這樣龐大的數(shù)字給后續(xù)的迭代訓(xùn)練工作帶來(lái)了龐大的計(jì)算量，直接導(dǎo)致AdaBoost算法訓(xùn)練過(guò)程極為費(fèi)時(shí)，這恰恰是算法需要改進(jìn)的關(guān)鍵問(wèn)題之一o(2)生成弱分類器每一個(gè)Haar特征都對(duì)應(yīng)著一個(gè)弱分類器，每一個(gè)弱分類器都是根據(jù)它所對(duì)應(yīng)的Haar特征的參數(shù)來(lái)定義的。利用上述Haar特征的位置信息，對(duì)訓(xùn)練樣本進(jìn)行統(tǒng)計(jì)就可以得到對(duì)應(yīng)的特征參數(shù)。AdaBoost算法中所訓(xùn)練的弱分類器是任何分類器，包括決策樹(shù)，神經(jīng)網(wǎng)絡(luò)，隱馬爾科夫模型，如果弱分類器是線性神經(jīng)網(wǎng)絡(luò)，那么AdaBoost算法每次將構(gòu)造多層感知器的一個(gè)節(jié)點(diǎn)。⑶采用AdaBoost算法選取優(yōu)化的弱分類器AdaBoost算法訓(xùn)練過(guò)程就是挑選最優(yōu)弱分類器，并賦予權(quán)重過(guò)程，圖3是AdaBoost算法訓(xùn)練示意圖。是否計(jì)阿將強(qiáng)類記錄當(dāng)前負(fù)優(yōu)鵰少類器重耀據(jù)H<nr盤置攥救