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

叠的结果。图（ｂ）是在不同尺度下多个窗口相互重叠的情况，图（ｃ）是最终合并的结果。

（ａ）同一尺度下窗口重叠（ｂ）不同尺度下的窗口重叠（ｃ）最终合并结果

图２．１８人脸窗口合并效果图

Ｆｉ９２－１８ｒｅｓｕｌｔｏｆｃｏｍｂｉｎｉｎｇｗｉｎｄｏｗｓ

２．５实验结果与分析

实验选择ＢｉｏＩＤ、ＭＩＴＥｘ中的１５２１幅人脸图像和４３８１幅非人脸图像作为训练样本，

总共５９０２幅图像，图像大小调整到２４Ｘ２４像素。在配置为Ｃｅｌｅｒｏｎ（Ｒ）ＣＰＵ

内存的Ｐｃ机上进行实验。２．８０ＧＨｚ，１Ｇ

２．５．１训练结果与分析

训练过程中实际使用了８３６９９个ｈａａｒ特征，由于数据量庞大，平均迭代一次需要１１０

１秒。按照这样的速度得到１０００个弱分类器的时间大约是３０个小时，２０００个大约需要６１个小时。因为不知道制作级联分类器需要多少弱分类器，所以训练得到了４０００个弱分类

器。但是在实际使用中只使用了１５００多个，所以估计训练时间大约为４５个小时。

表２．３给出了部分训练过程中得到的最优弱分类器的权重、迭代误差和平均误差。

表２－３训练过程中的参数

迭代次数１

１．７２６４

０．１５１０

０．１４２９５１００．９９７４０．２６９５Ｏ．１９５２５０１０００．７４０２０．３２３００．３６１２２０００．７３０７０．３２５００．１９３７５０００．６６０８０。３４０６０．４３７９１００００．６４０５０．３４５１０．３３８３权重迭代误差平均误差１．１８４５０，２３４２０．２２５４０．８３３００．３０３００．２５０３

所谓迭代误差就是使用当前最优弱分类器和样本迭代权值计算得到的误差结果

（２．２．２节）；平均误差是使用当前最优弱分类器和样本平均权值（１／５９０２）计算得到的

误差结果。迭代误差体现了当前最优弱分类器在迭代训练过程中的检测能力，而平均误

差体现了当前最优弱分类器对训练样本的检测能力。这里要强调的是，并不是平均误差

最小就是当前最优弱分类器，而是迭代误差最小才是选择最优弱分类器的标准。

为了能够将权重、迭代误差以及平均误差的变化趋势表现的更好，这里将训练得到

的前１０００个弱分类器的涮练参数的高斯拟合益线绘制于图２．１９中：

１６