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

图２—１９训练过程中前１０００个弱分类器的参数曲线

Ｆｉ醇一１９ｔｈｅＣＷｒ、／ＣＳｏｆｔｈｅｆｏｒｍｅｒ１０００ｗｅｅｋｃｌａｓｓｉｆｉｅｒｓ’ｐａｒａｍｅｔｅｒｓｉｎｔｈｅｔｒａｉｎｉｎｇｐｒｏｃｅｓｓ

从图中可知在最初的１０００次迭代训练过程中所得到的弱分类器的参数情况。根据图

中高斯拟合曲线可以得到以下结论：（１）在训练过程中，单个弱分类器的迭代误差是缓

慢上升的。（２）代权重是逐渐下降的，当渡过最初的快速下降阶段，后续得到的权重下

降逐渐变慢。（３）迭代训练过程中平均误差取值范围很大，通过高斯曲线拟合的结果可

知训练得到的弱分类器的平均误差小于Ｏ．５，也就是说每一次训练得到的弱分类器都具有

一定的弱分类能力。

２．５．２检测结果与分析

在检测实验中为了较好的描述级联分类器的性能，这里设计了两个级联分类器Ａ和

Ｂ，两个级联分类器各级所含有弱分类器个数如下表所示：

表２－４级联分类器结构

Ｔａｂｌｅ２－４ｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｔｈｅｃａｓｃａｄｅｃｌａｓｓｉｆｉｅｒＡａｎｄＢ

级数

级联分类器Ａ

级联分类器Ｂ第ｌ级６第２级１９第３级５２第４级１０５第５级２４０第６级３０６第７级４６９第８级５８０６４４７２１０３６８１４７９８１３０

每个级联分类器中都含有８个强分类器，而且强分类器的性能都是逐级提高的。级

联分类器Ａ中各级强分类器所含弱分类器个数是逐渐增加的，但是在Ｂ中并没有遵循这

个原则。表２—５给出了级联分类器Ａ与Ｂ的各级强分类器单独对训练样本进行测试的结果。