Gabor-Boosting Face Recognition

      该论文提出一种Gabor滤波+Aadaboost特征选择+SVM分类的人脸识别方法。Gabor滤波包括5个尺度8个方向，滤波后所得的magnitude response作为gabor特征，这样对于像素为M*N的图像，总共可提取M*N*40个特征，显然，如此多的特征直接用于分类是不现实的，非常有必要进行特征提取，以降低维度。本文采用了Adaboost算法。对每类人脸，将本类作为正样本，其他类别为负样本，训练T个弱分类器，组成一个将分类器。亦即，提取T个特征作为该人脸区分于其他人脸的特征。然而，由于训练过程中，正样本数目远低于负样本数目，容易造成overfit，使得训练出来的Adaboost分类器分类效果欠佳，可以拒绝几乎所有的负样本，但是对正样本的接受率却偏低。因此，在分类器的选择方面，本文采用了SVM方法，分类效果相比直接采用Adaboost有了很大的改善。

     在adaboost弱分类器的训练中，本文增加了一步对于特征是否为已经选取的最佳特征的判断，理论上避免了重复特征的提取。

  

仿真：

      直接按照算法描述coding的话，特征提取的速度实在低得让人无语！我曾经尝试从2000多个特征里边提取30个特征，正样本72个，负样本720个，用了几十分钟才搞定！然后，仔细观察算法，发现每次提取特征，都要遍历所有的2000多个特征，而每次遍历都需要对72+720个特征排序，这是一个非常浪费时间的步骤。因此，我采用先排序，后进行特征提取的方法，将排序次数减少了featureCount*(30-1)次，速度果然提高了！然后，对于每次重复遍历2000多个特征的问题，我采用了如下方法，每次计算弱分类器时，计算该分类器的分类错误率，对于错误率较高的特征视为bad feature，在下一轮的计算中直接忽略掉。实际中可行，但是理论上是正确尚未证明。