人脸检测( Face detection) 丶vioa- Jones人脸检测算法(基于 AdaBoost) 图丽西圆香图图 吞宽 昏以 Viola jones. Robust real-time face detection ICv2004
人脸检测（Face detection） Viola-Jones人脸检测算法（基于AdaBoost）
Viola-Jones人脸检测算法(2004) “矩形”滤波器 ●计算矩形区域之间的差异 ●反映了邻近空间区域之间的对比 T ●近似于Har小波,但计算效率高 Value x,y)处的值 是灰色区域像 ∑ pixels in white area 素值之和 ∑ pixels in black area 1.用积分图像实现高效计 算 2.避免了形成不同尺度上 积分图像 D=1+4-(2+3) =A+(A+B+C+D)-(4+C+A+B) 的图像
Viola-Jones人脸检测算法(2004)
滤波器设计 ●考虑所有 可能的滤波器 参数:位置, 尺度,类型: 在24x24窗 上形成 160,000个特 征 使用 Adaboost来选择最有效的特征并形成分类器
滤波器设计
Adaboost Adaboost是一种迭代算法,其核心思想是针对同一个训 练集训练不同的分类器(弱分类器),然后把这些弱分类 器集合起来,构成一个更强的最终分类器(强分类器)。 其算法本身是通过改变数据分布来实现的,它根据每 次训练集之中每个样本的分类是否正确,以及上次的 恿体分类的准确率,来确定每个样本的权值。将修改 过权值的新数据集送给下层分类器进行训练,最后将 每次训练得到的分类器最后融合起来,作为最后的决 策分类器。 》使用 adaboost分类器可以排除一些不必要的训练数据特 徵,并将关键放在关键的训练数据上面
Adaboost Adaboost是一种迭代算法，其核心思想是针对同一个训 练集训练不同的分类器(弱分类器)，然后把这些弱分类 器集合起来，构成一个更强的最终分类器(强分类器)。 其算法本身是通过改变数据分布来实现的，它根据每 次训练集之中每个样本的分类是否正确，以及上次的 总体分类的准确率，来确定每个样本的权值。将修改 过权值的新数据集送给下层分类器进行训练，最后将 每次训练得到的分类器最后融合起来，作为最后的决 策分类器。 使用adaboost分类器可以排除一些不必要的训练数据特 徵，并将关键放在关键的训练数据上面
Boosting Example 弱分类器1
Boosting Example