一、人臉檢測(cè)算法分類

目前人臉檢測(cè)方法主要分為兩大類，基于知識(shí)和基于統(tǒng)計(jì)。

基于知識(shí)的人臉檢測(cè)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(jì)的人臉檢測(cè)方法主要包括：主成分分析與特征臉?lè)ǎ窠?jīng)網(wǎng)絡(luò)模型，隱馬爾可夫模型，支持向量機(jī)，Adaboost算法。

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

基于統(tǒng)計(jì)的方法將人臉看成統(tǒng)一的二維像素矩陣，通過(guò)大量的樣本構(gòu)建人臉子空間，通過(guò)相似度的大小來(lái)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(shí)際上是運(yùn)用了boosting算法中的Adaboost算法。Haar分類器利用Adaboost算法構(gòu)建一個(gè)強(qiáng)分類器進(jìn)行級(jí)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(jí)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(duì)類Haar特征提取進(jìn)行加速；

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

4. 使用篩選式級(jí)聯(lián)把強(qiáng)的分類器級(jí)聯(lián)在一起，從而提高檢測(cè)準(zhǔn)確度。

2.1 人臉檢測(cè)的大概流程

我們用一個(gè)小的窗口在一幅圖片中不斷的滑動(dòng)，每滑動(dòng)到一個(gè)位置，就對(duì)該小窗口內(nèi)的圖像進(jìn)行特征提取，若提取到的特征通過(guò)了所有訓(xùn)練好的強(qiáng)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(jìn)行滑動(dòng)，在每個(gè)位置計(jì)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(gè)矩形特征計(jì)算得到一個(gè)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(lái)解決這個(gè)問(wèn)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(lái)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(chǔ)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(qiáng)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(qiáng)分類器是基于強(qiáng)學(xué)習(xí)，其分類正確率較高，但是較難獲得。

Kearns和Valiant兩個(gè)大神提出弱學(xué)習(xí)和強(qiáng)學(xué)習(xí)是等價(jià)的，并且證明只要樣本充足，弱學(xué)習(xí)可以通過(guò)一定的組合獲得任意精度的強(qiáng)學(xué)習(xí)。這個(gè)證明為boostting算法提供了理論基礎(chǔ)，使其成為一個(gè)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(gè)問(wèn)題，一個(gè)是它需要預(yù)先知道弱分類器的誤差，另一個(gè)是它在訓(xùn)練后期會(huì)專注于幾個(gè)難以分類的樣本，因此會(huì)變得不穩(wěn)定。針對(duì)這些問(wèn)題，后來(lái)Freund和Schapire提出了實(shí)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(lái)構(gòu)建一個(gè)簡(jiǎn)單的弱分類器， 將提取到的特征與分類器的特征進(jìn)行逐個(gè)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(diǎn)在于閾值的設(shè)定。閾值的設(shè)定方法如下：

（1）對(duì)于每個(gè)分類器計(jì)算訓(xùn)練樣本的特征值；

（2）對(duì)這些特征值進(jìn)行排序；

（3）計(jì)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(jì)算第i個(gè)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(jì)算r=min((s1+(t0i?s0i)),s0+(t1i?s1i))r=min((s1+(t0i?s0i)),s0+(t1i?s1i))。

計(jì)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(gè)簡(jiǎn)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(hào)方向，使得不等號(hào)都為"<",θθ是閾值。

2.5 強(qiáng)分類器的構(gòu)造

這個(gè)部分我還是似懂非懂。按照我的理解，強(qiáng)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(gè)數(shù)；

（2）用選出的樣本訓(xùn)練弱分類器；

（3）提高錯(cuò)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(jìn)行新一輪的弱分類器的訓(xùn)練；

（4）經(jīng)過(guò)T輪后，訓(xùn)練出T個(gè)弱分類器；

（5）將這T個(gè)弱分類器根據(jù)他們的分類錯(cuò)誤率加權(quán)求和構(gòu)成一個(gè)強(qiáng)的分類器，如下所示：

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

Reference:

https://www.jb51.net/article/222465.htm