基于Adaboost算法的人脸检测研究及实现

西安理工大学硕士学位论文

之为假即非人脸图像。单个弱分类器的分类能力有限，不能很好的处理对象，所以还要

将其组和成强分类器使用ｔ３１ｔ２０１。

（３）训练过程‘３’‘２０１‘２２１‘２３’‘２４’‘２卯

Ａｄａｂｏｏｓｔ算法的训练过程就是挑选最优弱分类器，并赋予其权重的过程。图２一１０

是Ａｄａｂｏｏｓｔ算法的训练示意图：ｆ＜３

根据ｈａａｒ特

征的位置参

数统计各弱

分类器参数剧Ｉ各种ａａａｔ特Ｉ训练样本（包括人脸和非人脸样本）Ｎｏｌ当ｎ＞Ｔ时Ｃ———ＨＥＩｇ；ｇ址按ａｄａｂｏｏｓｔ算法的训练流程迭代并挑选一个最优弱分类器记录当前最优弱分类器及其迭代权堑第ｎ次选代

图２－１０Ａｄａｂｏｏｓｔ算法训练示意图

Ｆｉ９２—１０ｔｈｅｔｒａｉｎｉｎｇｐｒｏｃｅｓｓｏｆａｄａｂｏｏｓｔａｌｇｏｒｉｔｈｍ

在（２）中生成弱分类器后，根据所需弱分类器个数进行训练，并将得到的弱分类器输

出使用。

训练算法步骤如下：

步骤１．标记拧个训练样本，其中ｍ个人脸样本标记为儿＝＋１，Ⅳ一所个非人脸样本

标记为ｙ，＝一ｌ。

步骤２．初始化权值。每个人脸样本的初始权值为：ｗ０．＋。＝１／（２＋ｍ），非人脸样本

为：ｗ０．一Ｉ＝１／（２４（Ⅳ一所））

步骤３．共挑选Ｔ个弱分类器（迭代Ｔ次）：

①第，次迭代过程中，计算第．，个弱分类器的迭代误差之和乃＝∑ｗ，，Ｉｈ．／（ｘ，）－ｙ，Ｉ：

并从中选出迭代误差和最小的弱分类器魄（ｘ） 计算出尼２去，令％２１０８万１，则ｑ为

弱分类器的权重；

②使用囊（Ｄ和矗更新全体权值：Ⅵｗ＝毗，∥１，若第１个样本被正确分类，岛２０，

否则ｅ，＝１；

⑨将权值归一化：Ⅵ扎。年一毒堑Ｌ；

∑ｗ，山

尸ｌ

④令ｔ＝ｆ＋１。

步骤４．将若干个弱分类器线性组合在一起，可以得到一个强分类器：１０