人脸检测----Adaboost学习方法
有了haar特征,有了提升性能的积分图,是不是已经可以很好的解决人脸检测问题了?答案是:no. 因为,计算每一个特征值的时候速度都大幅提升了,但是,一个小小的24*24是人脸图像根据不同的位置,
以及不同的缩放,可以产生超过160,000个特征!这个数量太庞大了,所以肯定要舍弃大量的特征。那么,如何保证使用少量的特征,而又能得到精确的结果呢?
大神永远有解决方法,viola等人使用adaboost来进行分类。声明一下,adaboost并不是viola等人提出的,而是Freund和Schapire提出。但是viola的伟大正是因为他将这个模型首次用到了人脸识别中,这使得
人脸识别在嵌入式系统应用成为一个可能的事情。
什么是adaboost呢?
AdaBoost,是英文"Adaptive Boosting"(自适应增强)的缩写,是一种机器学习方法,由Yoav Freund和Robert Schapire提出。[1]AdaBoost方法的自适应在于:前一个分类器分错的样本会被用来训练下一个分类器。
AdaBoost方法对于噪声数据和异常数据很敏感。但在一些问题中,AdaBoost方法相对于大多数其它学习算法而言,不会很容易出现过拟合现象。AdaBoost方法中使用的分类器可能很弱(比如出现很大错误率),但只
要它的分类效果比随机好一点(比如两类问题分类错误率略小于0.5),就能够改善最终得到的模型。而错误率高于随机分类器的弱分类器也是有用的,因为在最终得到的多个分类器的线性组合中,可以给它们赋予负
系数,同样也能提升分类效果。
AdaBoost方法是一种迭代算法,在每一轮中加入一个新的弱分类器,直到达到某个预定的足够小的错误率。每一个训练样本都被赋予一个权重,表明它被某个分类器选入训练集的概率。如果某个样本点已经被准确
地分类,那么在构造下一个训练集中,它被选中的概率就被降低;相反,如果某个样本点没有被准确地分类,那么它的权重就得到提高。通过这样的方式,AdaBoost方法能“聚焦于”那些较难分(更富信息)的样本上。
在具体实现上,最初令每个样本的权重都相等,对于第k次迭代操作,我们就根据这些权重来选取样本点,进而训练分类器Ck。然后就根据这个分类器,来提高被它分错的的样本的权重,并降低被正确分类的样本权重。
然后,权重更新过的样本集被用于训练下一个分类器Ck[2]。整个训练过程如此迭代地进行下去。
人脸检测使用adaboost的流程是什么呢?
首先是要把级联的概念搞清楚。所有伟大的东西,其思想都是很简单的。
级联结构:
将多个强分类器连接在一起进行操作。每一个强分类器都由若干个弱分类器加权组成。例如,一个级联用的强分类器包含20个左右的弱分类器,然后在将10个强分类器级联起来,就构成了一个级联强分类器,
这个级联强分类器中总共包括200个(20*10)分类器。因为每一个强分类器对负样本的判别准确度非常高,所以一旦发现检测到的目标位负样本,就不在继续调用下面的强分类器,减少了很多的检测时间。因为一幅
图像中待检测的区域很多都是负样本,这样由级联分类器在分类器的初期就抛弃了很多负样本的复杂检测,所以级联分类器的速度是非常快的;只有正样本才会送到下一个强分类器进行再次检验,这样就保证了最后
输出的正样本的伪正(false positive)的可能性非常低。
最优弱分类器:
寻找合适的阈值,使该分类器对所有样本的判断误差最小。对于每个特征f,计算所有训练样本的特征值并排序:
遍历排序后的特征值,对于序列中的每个元素,计算以下值:
1.全部人脸样本的权重和t1
2.全部非人脸样本的权重和t0
3.在此元素之前的人脸样本的权重和s1
4.在此元素之前的非人脸样本的权重和s0
5.此元素的分类误差:r=min{[s1+(t0-s0)],[s0+(t1-s1)]}
找出r值最小的元素作为最优阈值,最优分类器就产生了。
强分类器:
For T轮迭代:
1.重新统一权重
2.训练出本轮的最优弱分类器(详见上一P)
3.根据本轮迭代中的分类结果重新分配样本权重(增加错误分配样本的权重)
这样,T轮之后将产生T个最优弱分类器
组合T个最优弱分类器得到强分类器:
相当于让所有弱分类器投票,再对投票结果按照弱分类器的错误率加权求和,将投票加权求和的结果与平均投票结果比较得出最终的结果。
级联分类器的训练过程:
参考文档:
1 https://wizardforcel.gitbooks.io/dm-algo-top10/content/adaboost.html
2 https://zh.wikipedia.org/wiki/AdaBoost
3 https://blog.csdn.net/cyh_24/article/details/39755661
最新文章
- (转)android 蓝牙通信编程
- nginx域名隐性(地址栏域名不变)跳转
- Codis集群
- LABjs(类似于LazyLoad,但它更加方便管理依赖关系)
- 客户端判断是否为IE9以上版本
- codeforces 711A A. Bus to Udayland(水题)
- scala中如何编写自定义的流程控制结构
- Prime Land
- 【转】Vim命令合集以及乱码问题解决
- oracle_constraint的用处
- NEU OJ 1651 Great number
- MySQL 在线更改 Schema 工具
- java多图片上传--前端实现预览--图片压缩 、图片缩放,区域裁剪,水印,旋转,保持比例。
- 在eclipse中使用Tomcat时出现Could not publish server ...错误
- Ubuntu下忘记MySQL root密码解决方法
- asp.net cookie的操作
- C++ shared_ptr的用法
- CSUOJ 1973 给自己出题的小X DFS
- HTTP 请求头中的 X-Forwarded-For(转)
- README.md的编写
热门文章
- java.io.Flushable 接口
- c++之__attribute__((unused))
- Halcon示例:bottlet.hdev 光学字符识别(创建OCR)
- prometheus 表达式
- Pandas聚合
- sqlserver truncate清空表时候,无法删除 'B表',因为该表正由一个 FOREIGN KEY 约束引用。
- CF 317 A. Lengthening Sticks(容斥+组合数学)
- ASP.NET CORE 2.0 发布到IIS,IIS如何设置环境变量来区分生产环境和测试环境
- hp visual user generator
- CentOS6.5在虚拟机中安装