基于Adaboost算法的人脸检测研究及实现(15)

基于Adaboost算法的人脸检测研究及实现

２．Ａｄａｂｏｏｓｔ算法的检测原理与实现方法

ｈ（ｘ）：Ｊ１

【０舌吒＿（工）≥言舌ｑｏｔｈｅｒｗｉｓｅ（２．４）

单个弱分类器的分类能力很差，训练初始得到的弱分器的误差为Ｏ．１５，随后逐渐上

升，所以这里需要将弱分类组合成为性能更好的强分类器才能使用。

２。３级联分类器的使用与设计

单个弱分类器的分类能力很弱，不能用来做分类使用，还需先将这些弱分类器组合

成一些性能较好的强分类器，并且每一个强分类器都应该具有较好的分类能力。如何设计级联分类器，使分类器能够较好的排除负样本的同时尽可能检测到正样本，是本节关注的问题。

２．３．１级联分类器的使用

利用训练过程得到的弱分类器，使用公式（２．４）将部分弱分类器组合得到若干强分类

器，各强分类器对人脸都有较强的检测能力。如果将多个强分类器级联在一起，那么能够通过各级强分类器检测的对象是人脸的可能性也最大。根据这一原理，Ａｄａｂｏｏｓｔ算法引入了一种瀑布型的分类器一级联分类器ｎ“２∞旺如１２５１。级联分类器的检测示意图如图２－１１所示：

通过通过

Ｌ～、、—／兰堡兰竺竺—／

图２．１ｌ级联分类器的检测示意图‘”’

Ｆｉ酩一１１ｔｈｅｄｅｔｅｃｔｉｏｎｏｆｃａｓｃａｄｅｃｌａｓｓｉｆｉｅｒ．／７一一—、、．

级联分类器将若干个强分类器分级串联在一起，强分类器一级比一级复杂，一级比

一级严格。检测中非人脸图像会在前端被排除掉，只有人脸图像才能通过各级强分类器的检测。此外，由于非人脸图像会被级联分类器的前几级迅速排除掉，从而加快了Ａｄａｂｏｏｓｔ算法的检测速度。级联分类器的运行效果如图２．１２所示：