基于Adaboost算法的人脸检测研究及实现(17)

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

图２．１３一组级联分类器的检测率

Ｆｉ醇 １３ｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｄｅｔｅｃｔｉｏｎｏｆｏｎｅｃａｓｃａｄｅｃｌａｓｓｉｆｉｅｒ

从图中可以看出，随着级联分类器级数的增加，分类器对负样本的排除率越来越高，

但同时也将部分正样本排除。为了更好的了解级联分类器各级单独的分类能力，表２．２

给出了各级强分类器的测试结果：

表２－２级联分类器前ｌＯ级单级测试结果（共１５级）

第ｌ级

弱分类

８

器个数

正样本

０．９９３

正确率

负样本

０．２２

正确率第２级第３级第４级第５级第６级第７红第８级第９级第１０级１１８２６３６５３４５７５１６２２４５０．９９３０．９９５０．９９２０．９８８０．９８８０．９８３０，９６Ｏ．９４Ｏ．８９０．１０４０．１５５Ｏ．１９０．２１８Ｏ．３ｌ０．３２Ｏ．３２０．４３Ｏ．５２

从表中可知，强分类器的分类越来越严格，漏检率越来越高，误检率也越来越低。

级联分类器的使用提高了分类器的检测能力，同时也加快了对非人脸的排除速度，

从而达到了优化检测过程的目的。

级联分类器的设计和使用是建立在训练结果上的，所以级联分类器对训练样本的检

测结果应该收敛；但是，过训练的问题同时也会出现。所谓过训练是指由于训练过程中

样本数目较少或者样本不够丰富，导致训练结果虽然对训练样本严重收敛，但是对于其

他情况不太适用。显然，过训练情况是我们不想遇到的，但是训练样本又是有限的，这

时就要对训练样本进行处理，处理的方法将在第３章中详细说明。

２．４Ａｄａｂｏｏｓｔ算法的检测过程

获得性能优良的级联分类器之后，为了在图像检测中能够使用记录级联分类器，需要为其设计一种检测机制，并为其设计相应的处理接口。