Haar+cascade AdaBoost分类器学习训练总结

尽量用简单的语言总结一下，利用haar特征，结合级联分类器进行XX检测，这里以XX代表人脸。

整体思路分为5大步：

1、准备人脸、非人脸样本集；

2、计算特征值和积分图；

3、挑选最优分类器；

4、利用AdaBoost把这些分类器训练成一个强分类器；

5、级联，也就是强分类器的强强联手。

在开始前，一定要记住，以24*24窗口为例，就有16万+的特征数量，所以首先要从中筛选有用的特征（即最优弱分类器），然后利用AdaBoost将这些最优弱分类器训练成一个强分类器，最后将强分类器进行级联。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

1、准备人脸、非人脸样本集

这一步没什么好说的，

2、计算特征值和积分图

Haar特征，也就是那三种特征，边缘特征、线性特征、特征方向特征，

haar特征及特征值计算，推荐博文，点击链接

积分图计算也很简单，一搜一大把，给个例子

如下图

那么如何利用积分图进行计算呢？举例如下图

假设计算特征 1 1 2 2，直接 sum(蓝色区域) - sum(粉色区域) = (2+2) - (1+1) = 2

利用积分图像计算 区域A = (9+2) - (3+6) =2,  区域B = (17+6) - (10+9) = 4,  区域B - 区域A = 4 - 2 = 2。

使用积分图，可以对haar特征值计算进行加速。

3、挑选最优分类器

这一步是很多教程讲解不清楚的地方。

之前一直以为计算到haar特征值后，然后直接用AdaBoost进行训练强分类器，大错特错！

以24*24为例，16万+个特征值，如果直接利AdaBoost训练，那么工作量是极其极其巨大的。

所以必须有个筛选的过程，筛选出T个优秀的特征值（即最优弱分类器），然后把这个T个最优弱分类器传给AdaBoost进行训练。

如何挑选？

链接，只需了解 3.1即可

4、利用AdaBoost训练一个强分类器

此时，我们手中有T个最优弱分类器（在第3步中得到），现在就要利用AdaBoost算法了

换句话说，a weighted combination of all these found weak classifiers to evalute and decide any given window has a face or not.

这里有个非常好的讲解，结合实例来说，更明朗

PPT中的Y值 是1 or -1，可以理解为正样本和负样本，或者理解为人脸和非人脸，

X为haar特征值，所以从这个角度来讲，每个haar特征值就是一个弱分类器。

5、级联，也就是强分类器的强强联手

推荐这篇文章 的2.3节，虽然我也没有看明白， 感觉就是决策树的问题了。

就这么多了，有问题一起探讨。