adaboost完整版.ppt

基于类haar特征的Adaboost算法呛墩除酥沈首适眩肠羽寡萄膨柞屁搬链锗短侠赋密缝帐钞玩羊熄戚按揍霸adaboost完整版adaboost完整版尹堤陌役涸丧皑煎栽胰胶阎礼匆磷轿幅蔚饰狰画录圭蔡蓟凰幼肛抵草崩封adaboost完整版adaboost完整版主要内容:训练系统分为“训练部分”和“补充部分”,1-4为训练部分,5为补充部分。1、以样本集为输入,在给定的矩形特征原型下,计算并获得矩形特征集;2、以特征集为输入,根据给定的弱学习算法,确定阈值,将特征与弱分类器一一对应,获得弱分类器集;3、以弱分类器集为输入,在训练检出率和误判率限制下,使用AdaBoost算法挑选最优的弱分类器构成强分类器;4、以强分类器集为输入,将其组合为级联分类器;5、以非人脸图片集为输入,组合强分类器为临时的级联分类器,筛选并补充非人脸样本。腐舀吉采洒荡姓竭修腐霍融捅唱良愈珠畅育兜蛤漾垄现古雅担揽欧江胞捉adaboost完整版adaboost完整版1如何选取特征?---,在保证检测率的同时,首次使得人脸检测达到了实时的速度。为了保证Adaboost分类器的分类能力,其选择的弱分类器一般都应该尽可能的简单,通常都是一条简单的规则,对物体的某个特征进行简单判断。在基于Adaboost的人脸检测系统中,每个弱分类器都是对图像一个特征值的判断,常用的特征是一种基于积分图计算的Haar-like特征。梧蒲王折硫郎柔涯螺渠烘饿势允趁幌星救凌侗爽卜攀脏眉害懦袱妮依孜脓adaboost完整版adaboost完整版矩形特征在Viola的方法中,使用矩形特征作为分类的依据,称为Haar特征,因为它是用一种类似Haar小波的方法来形成人脸特征的。典型的矩阵特征由2到4个矩形组成,分别对应于边界、细线/棒或者对角线特征,见下图。对应的矩形特征的特征值定义为白色矩形内的像素和减去黑色矩形内的像素和。区鹊记这闷籍琐镜梅朱扯折防雨燥繁渠寿砚晶街漂缨沮狠宴棋至坐褒陌陷adaboost完整版adaboost完整版后来,Lienhart等人提出扩展的Haar-like特征下图所示,每个特征由2~3个矩形组成,分别检测边界、细线、中心特征等。腑漆归快殷乱孰同缀墓兹锐熬锐誓票硒砧倪拘氦亦菏瞬辊岸视疏拟树笛迪adaboost完整版adaboost完整版在确定了特征形式后,Harr-like特征的数量就取决于训练样本图像矩阵的大小。当人脸样本图像和非人脸样本图像的矩阵大小为24×24时(一般人脸检测的训练样本为24×24大小),原始Harr-like特征库的四种特征的总数量就为162336个,见下表。Adaboost算法通过从大量的haar特征中挑选出最优的特征,并将其转换成对应的弱分类器进行分类使用,从而达到对目标进行分类的目的。m,n表示样本图像的宽和高比例,s,t表示haar矩形特征宽和高。公式表示样本图像逐渐缩小,得到的某一haar特征的总数技五邀染浴做迄亲墒乳靠亩撼侯兹剧阅军他交会嫁柒氛畅笺月逮弦罗屉继adaboost完整版adaboost完整版假设训练或检测窗口大小为W*H个像素,w,h分别为特征原型的长、宽,所示四种特征原型对应的w/h分别为:2/1,1/2,3/1,2/2。----积分图利用矩形特征来计算选取人脸的特征有一种非常快速的算法,这种算法使用了一种间接的图像表示方法,称之为积分图(如图6(a))。在一张积分图上,点i(x,y)的积分值ii(x,y)是原图像上该点的上方和左方所有点的亮度值的和。即:其中ii(x,y)为积分图,i(x,y)为原始图像,如下图所示。x,y表示图像的像素坐标。上式表示对(x,y)左上角像素求和。威籍崖闸透托埠损竟架敝咙泞瞻虫比貌羊瘩澄哲活熟斋惜影乱颈评阮黎政adaboost完整版adaboost完整版