基于Adaboost算法的人脸检测研究及实现(16)

基于Adaboost算法的人脸检测研究及实现

西安理工大学硕士学位论文

图２－１２级联分类器运行效果图

Ｆｉ醇一１２ｔｈｅｒｅｓｕｌｔｏｆｃａｓｃａｄｅｃｌａｓｓｉｆｉｅｒ

２．３．２级联分类器的设计

级联分类器要求各级强分类器从简单到复杂，一级比一级严格，这样才能保证用最

少的时间排除最多的非人脸。这就要求设计级联分类器的过程遵循一定的原则，但是到目前为止，并没有固定的设计结果，这主要是由于训练样本的不同从而导致了训练结果

不同造成的。

虽然没有一个固定的设计结果，但是文献心０１中提供了一个指导性的原则：就是尽

可能的保证人脸图像通过率的同时减少非人脸图像的通过率，随着分类器级数的增长，

组成强分类器所需的弱分类器个数将会不断增加，对通过的要求也越来越严格，直到所有非人脸样本都无法通过为止，这一过程始终要求尽可能的保证人脸样本的通过。训练算法如下所示：

级联分类器的训练算法ｆｉｌｌ２０］

●设定每层最大错误率，，每层最小通过率ｄ和整个分类器的错误率声＇嘣

●初始化最＝１，ｉ＝ｌ

●ＷｈｉｌｅＥ＞ｋ

１．使用训练样本训练第ｉ层，设定阂值ｂ使得误报率Ｚ小于／，通过率大于ｄ；２．ｉ＝ｉ＋１，Ｅ＋ｌ卜以；

３．若Ｆ。＞ｋ，停止。

强分类器越复杂、越严格，对非人脸的排除能力就越强，但同时也会导致部分人脸

被错误排除，所以制作级联分类器的时候需要从整体上考虑各级强分类器的分类能力。

随着级联分类器级数的增加，误检率迅速下降，但同时漏检率也会上升。为了更好的说明级联分类器的检测效果，图２一１３给出了一组级联分类器的检测结果，越靠后的强分类器分类越严格，图中横轴表示级联分类器的级数，纵轴表示检测正确率。

１２