基于AdaBoost算法的人脸检测经典论文研究之一

欢迎转载，请注明作者@迷途中的前进，以及本文网址。

               论文《an extended set of haar-like features for rapid object detection》----人脸检测笔记整理

1 特征

 1.1  本文作者扩展了上篇中的特征如下图所示：

 

1.2  特征数量的计算

 

设X=[W/w]  Y=[H/h]

对于某一个直立矩形的特征数量为：

 

对于一个旋转45度的矩形的特征数量为：

 

当W*H的子窗口为24*24像素时：

 

1.3 积分图

直立积分图与上文的一样，只不过书写代号换一下，上文是用积分图（intergral image）本文用SAT(summed area table),对于旋转的积分图为RSAT(rotated summed area table)。

 

1.3.1 RSAT的定义

 

1.3.2 积分图的计算

采用增量方式迭代计算，提高训练和检测时间。公式如下：

示意图如下：

1.3.3 特征的计算

 

2 stage post-optimization

 

注：

tm：弱分类器阈值，使用梯度下降法来调整其大小，具体表现为先是慢慢变大，而后再变小，前提是要改善分类器的性能，m=1,2.........M；

h：待优化级的击中率（检测率）；

b：偏振，根据期望权重击中率来调整其大小；

M:循环次数，又是弱分类器的个数；Eωp：期望权重击中率；Eωn：期望权重虚警率；

   stage post-optimization单看字面意思，是级后优化，也就是说分类器已经训练好了，现在是在原来的基础上进行优化的，既然训练好了，那么，每一个级（强分类器）中弱分类器的数量和权重就确定了。现在是级后优化，在已经生成的分类器的基础上，通过调整每一个弱分类器的阈值tm，使用梯度下降法，找到在目标击中率h下，拥有最小期望权重虚警率的tm和b的组合，找到后重新更新权重ω。

这样，待优化级（强分类器）中每一个弱分类器的阈值都得到调整，偏振b也进行了更新，每一个弱分类器的ω和α也进行了更新，重新组合一个新的级（强分类器器）。

3 结论

   本文构造了3个检测系统：

3.1 经典分类器

3.2 加入旋转haar-like特征的分类器

3.3 加入旋转haar-like特征的分类器和进行了stage post-optimization

 

3.2与3.1相比，在同样的击中率下，虚警率下降了10%左右

 

3.3与3.2相比，在同样的击中率下，虚警率下降12.5%。总的性能提高大约23.8%。

文献：

1,《 an extended set of haar-like features for rapid object detection 》

2，http://blog.csdn.net/xiaowei_cqu/article/details/8219324