一、人臉檢測算法分類

目前人臉檢測方法主要分為兩大類，基于知識和基于統(tǒng)計。

基于知識的人臉檢測方法主要包括：模板匹配，人臉特征，形狀與邊緣，紋理特征，顏色特征。

基于統(tǒng)計的人臉檢測方法主要包括：主成分分析與特征臉法，神經(jīng)網(wǎng)絡(luò)模型，隱馬爾可夫模型，支持向量機，Adaboost算法。

基于知識的方法將人臉看成不同特征的特定組合，即通過人臉的眼睛、嘴巴、鼻子、耳朵等特征及其組合關(guān)系來檢測人臉。

基于統(tǒng)計的方法將人臉看成統(tǒng)一的二維像素矩陣，通過大量的樣本構(gòu)建人臉子空間，通過相似度的大小來判斷人臉是否存在。

二、Haar分類器算法

本文介紹的Haar分類器方法，包含了Adaboost算法。

Haar算法實際上是運用了boosting算法中的Adaboost算法。Haar分類器利用Adaboost算法構(gòu)建一個強分類器進行級聯(lián)，而在底層特征抽取上采用的是高校的矩形特征以及積分圖方法。

Haar分類器=類Haar特征+積分圖法+Adaboost算法+級聯(lián)。

Haar分類器主要步驟如下：

1. 提取類Haar特征；

2. 利用積分圖法對類Haar特征提取進行加速；

3. 使用Adaboost算法訓(xùn)練強分類器，區(qū)分出人臉和非人臉；

4. 使用篩選式級聯(lián)把強的分類器級聯(lián)在一起，從而提高檢測準(zhǔn)確度。

2.1 人臉檢測的大概流程

我們用一個小的窗口在一幅圖片中不斷的滑動，每滑動到一個位置，就對該小窗口內(nèi)的圖像進行特征提取，若提取到的特征通過了所有訓(xùn)練好的強分類器的判定，則我們判定該小窗口的圖片內(nèi)含有人臉。

2.2 Haar-like特征

Viola牛們提出的Haar-like特征如下：

將Haar-like特征在圖片上進行滑動，在每個位置計算白色區(qū)域?qū)?yīng)的像素值的和減去黑色區(qū)域?qū)?yīng)的像素值的和，從而提取出該位置的特征，人臉區(qū)域與非人臉區(qū)域提取出的特征值不同，從而區(qū)分出人臉區(qū)域和非人臉區(qū)域。

我們可以用多個矩形特征計算得到一個區(qū)分度更大的特征值，從而增加人臉區(qū)域和非人臉區(qū)域的區(qū)分度。那么該怎么組合這些矩形特征才能得到更好的區(qū)分度呢？Adaboost算法就是用來解決這個問題的。

2.3 Adaboost算法

Adaboost算法是一種一般性的分類器性能提升算法，不僅僅是限定于一種算法。Adaboost算法可以用來更好地選擇矩形特征的組合，而這些矩形特征的組合就構(gòu)成了分類器，分類器以決策樹的方式存儲這些矩形特征組合。

Adaboost是基于boosting算法的，而boosting算法涉及到弱分類器和強分類器的概念。弱分類器是基于弱學(xué)習(xí)的，其分類正確率較低，但是較容易獲得，強分類器是基于強學(xué)習(xí)，其分類正確率較高，但是較難獲得。

Kearns和Valiant兩個大神提出弱學(xué)習(xí)和強學(xué)習(xí)是等價的，并且證明只要樣本充足，弱學(xué)習(xí)可以通過一定的組合獲得任意精度的強學(xué)習(xí)。這個證明為boostting算法提供了理論基礎(chǔ)，使其成為一個能夠提高分類器性能的一般性方法。

而boosting算法主要存在兩個問題，一個是它需要預(yù)先知道弱分類器的誤差，另一個是它在訓(xùn)練后期會專注于幾個難以分類的樣本，因此會變得不穩(wěn)定。針對這些問題，后來Freund和Schapire提出了實際可行的Adaboost算法。

2.4 弱分類器的構(gòu)建

我們可以用決策樹來構(gòu)建一個簡單的弱分類器， 將提取到的特征與分類器的特征進行逐個比較，從而判斷該特征是否屬于人臉，如下圖所示：

該分類器的重點在于閾值的設(shè)定。閾值的設(shè)定方法如下：

（1）對于每個分類器計算訓(xùn)練樣本的特征值；

（2）對這些特征值進行排序；

（3）計算所有屬于人臉的樣本的特征值的和t1和所有屬于非人臉的樣本的特征值的和t0；

（4）計算第i個樣本前所有屬于人臉的樣本的特征值的和s1is1i和屬于非人臉的樣本的特征值的和s0is0i；

（5）計算r=min((s1+(t0i−s0i)),s0+(t1i−s1i))r=min((s1+(t0i−s0i)),s0+(t1i−s1i))。

計算得到的最小的rr值即為所求閾值。有了閾值，我們便用決策樹構(gòu)成了一個簡單的弱分類器,如下所示：

其中x子圖像窗口，f是特征，p的作用是控制不等號方向，使得不等號都為"<",θθ是閾值。

2.5 強分類器的構(gòu)造

這個部分我還是似懂非懂。按照我的理解，強分類為的構(gòu)造是這樣的：

(1)首先選出部分樣本，給它們賦予權(quán)重1/N,其中N為總的樣本的個數(shù)；

（2）用選出的樣本訓(xùn)練弱分類器；

（3）提高錯誤分類的樣本的權(quán)重，并舍棄正確分類的樣本，加入新的樣本，新的樣本的權(quán)重還是之前的1/N,進行新一輪的弱分類器的訓(xùn)練；

（4）經(jīng)過T輪后，訓(xùn)練出T個弱分類器；

（5）將這T個弱分類器根據(jù)他們的分類錯誤率加權(quán)求和構(gòu)成一個強的分類器，如下所示：

其中αtαt是第t個弱分類器的權(quán)重，βtβt是第t個弱分類器的錯誤率。強分類器相當(dāng)于先讓各個弱分類器進行投票，然后讓投票結(jié)果根據(jù)各弱分類器的錯誤率進行加權(quán)相加，最后與平均的投票結(jié)果進行比較得到最終結(jié)果。

Reference:

http://m.fzitv.net/article/222465.htm

以上就是級聯(lián)分類器算法原理解析的詳細(xì)內(nèi)容，更多關(guān)于級聯(lián)分類器算法的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論