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

导致了Ａｄａｂｏｏｓｔ算法训练过程极为费时，这恰恰是算法需要改进的关键问题之一。

（２）生成弱分类器‘２１‘１９１‘２０１

每一个ｈａａｒ特征都对应着一个弱分类器，每一个弱分类器都是根据它所对应的Ｉｌａａｒ

特征的参数来定义的。利用上述ｈａａｒ特征的位置信息，对训练样本进行统计就可以得到

对应的特征参数。弱分类器的定义公式如下：

㈣＝Ｅ矿。砌缀鹏

其中，特征参数ｐ，表示不等式方向，毋．表示阈值。（２－３）

根据统计方式的不同，弱分类器又可分为单域值弱分类器和双域值弱分类器两种。

单阈值弱分类器只有一个阂值毋，，一个方向值Ｐ，，Ｐ，不是＋ｌ，就是．１；单阈值弱分类

器体现了ｈａａｒ特征中的“黑白”两个部分（２．１．２节）的灰度对比特点，它以两个区域闯

灰度值是否存在一定差异为分类依据，根据单阂值弱分类器的特点，可以将此时的样本

分布分为两类情况，如图２—８所示：耻孤

图２．８（ａ）样本分布１图２－８（ｂ）样本分布２

图２－８单闭值分类器的样本分布”…２２’

图２－９双阕值分类器的样本分布

ｄｉｓｔｒｉｂｕｔｉｎｇｏｆｔｈｅｓａｍｐｌｅｓｆｏｒｔｈｅｃｌａｓｓｉｆｉｅｒｓｗｉｔｈｔｗｏｔｈｒｅｓｈｏｌｄｓＦｉ９２—８ｄｉｓｔｒｉｂｕｔｉｎｇｏｆｔｈｅｓａｍｐｌｅｓｆｏｒｔｈｅｃｌａｓｓｉｆｉｅｒｓｗｉｔｈｓｉｎｇｌｅｔｈｒｅｓｈｏｌｄ图中横轴表示样本分布位置，纵轴表示样本的分布概率。图２．８中利用闽值将样本进行真假分类，对于不同的弱分类器，不等式方向可能是正方向也可能是负方向。同理，根据双闽值弱分类器特点，样本分布如图２－９所示：Ｆｉ９２ ９

双阈值分类器有两个阈值，与之对应也有两个方向参数。

以任一单阈值弱分类器为例：根据当前ｈａａｒ特征的定义，通过对训练样本的统计得

到正样本和负样本的平均值ｑ’＋ｌ、ｅ，＿１，则有色＝（ｑ’＋ｌ＋ｑ，一，）／２，若ｑ’＋ｌ＞巴，．Ｉ’Ｐｊ＝＋ｌ

（否则Ｐ，＝一１）。同理，双阈值分类器有上、下限两个阈值，两个阈值分别对应着两个

方向参数。弱分类器的输出结果为１或０，输出１表示判断为真，也就是人脸图像，反９