怎样让机器学会检测人脸——3、弱分类器

前面已经谈到我们收集的数据：

一共收集了有P个人脸图片（正样本），N个非人脸图片（负样本），记总数为M=P+N。

已经知道如何提取特征——Haar特征：

假设我们使用的图像大小为W*H，全部的haar特征总数为F个（F很大，数以万计）。

现在对每个样本图片提取全部特征，第i个样本图片得到F个特征值组成特征向量Xi[F]，那么所有样本的Xi按行存入矩阵X[M][F]，矩阵X为一个M行F列二维矩阵，X[i][j]为第i个样本的第j个haar特征的值。注意后面我们提到样本，指的就是图片提取的特征向量Xi，不是指原始图片数据。

为了标识每个样本属于人脸还是非人脸，定义Y[M]为类别标记，正样本Y[i]=+1，负样本Y[i]=-1。

此外用W[M]记录样本权值，表示每个样本的重要性。一开始我们让正样本的权值和为0.5，负样本和也为0.5，每个正样本的权值为0.5/P，负样本0.5/N.所有样本的权值之和为1。权值的用途用到时再说，暂时不管它。

更具体一些，假设我们有9个样本数据，前5个是人脸，后4个是其他图片，对这9个样本提取第f个haar特征值，记录到下表中，其中Idx为样本的序号，Y为样本的类别+1表示正样本，-1为负样本，val为haar特征数值。