级联增强分类器原理，以haar人脸定位为例

---

级联增强分类器的原理

对于大多数机器学习算法，训练样本是一个迭代过程，构建训练模型时要循环遍历全部样本。这样创建的分类器的效果会随着样本的增加而逐步提高。一旦效果达到某个特定标准，或者对于当前训练集已经无法继续提升效果，就可以终止学习过程，如级联增强分类器。

---

一、图像模型及分类方法

先从图像样本中抽取特征，再利用分类方法将抽取出的特征进行分类
非常明显，LBP使用的是最邻近分类法，而这里，介绍的是级联增强分类。

二、HAAR特征

1.引入库

通常认为像素级别的建模方式过于低级，难以鲁棒地表示每个类别的内在特性。选用的模型最好能在多种尺度下描述图像的独特图案。这正是Haar特征（有时也称作类Haar特征）的目标，因为它基于Haar变换基函数。

就haar特征本身而言，一幅图像可以有很多个haar特征，所以要用机器学习的方法，找出最适用的特征。

分类器构建

级联分类器是由2分类器构成。级联是指前一系统的输出作为后一系统的输入而存在。优点在于可以对输入对象先粗判，再细判，快速排除不符合的输入对象。

两大原理：

多个弱分类器，加起来，就是强分类器 分阶段进行分类，快速排除不符合规定的样本。
每个阶段，都有若干个由不同特征值组成的分类器参与分类，越往后分类器越强，越往后参与的样本越少，难度越大。如某一阶段达不到分类要求，只需要加特征值即可。

具体操作

OpenCV提供了一个软件工具，可以完成全部必需的操作。安装该软件后，在对应的bin目录下有两个可执行文件，即opencv_createsamples.exe和opencv_traincascade.exe。要确保系统的PATH指向这个目录，以便能在任何位置启动这些工具。
正样本清单必须存储在一个文本文件中，这里的文件名为stop.txt。文件中包含图像文件名和矩形的坐标：

字段说明如下：

-data：指定保存训练结果的文件夹；

-vec:指定正样本集；

-bg:指定负样本的描述文件夹；

-numPos：指定每一级参与训练的正样本的数目（要小于正样本总数）；

-numNeg:指定每一级参与训练的负样本的数目（可以大于负样本图片的总数）；

-numStage:训练的级数；

-w:正样本的宽；

-h:正样本的高；

-minHitRate:每一级需要达到的命中率（一般取值0.95-0.995）；

-maxFalseAlarmRate:每一级所允许的最大误检率；

-mode:使用Haar-like特征时使用，可选BASIC、CORE或者ALL；

另外，还可指定以下字段：

-featureType:可选HAAR或LBP，默认为HAAR;

其他字段将不再说明。

参数-numPos和-numNeg分别表示所用正样本和负样本的数量
每应用一个Haar特征（指定类型、大小和位置），就得到一个特征值。只要找到根据特征值区分负实例和正实例的最佳阈值，就得到了一个单一分类器。
指标：
其中需要特别关注的是当前命中率（hit rate,HR）；这个值表示当前被接受的正样本的百分比（即当前被识别为正实例，又称真正样本），这个数值越接近1.0越好。此外还会有当前虚警率（false alarm rate,FA），它表示被误认为正实例的负样本（又称假正样本），这个数值越接近0.0越好。每个阶段的每个特征都会显示这两个数值。
训练级联分类器的每个阶段都必须设置两个约束条件：最小命中率和最大虚警率，可以通过在opencv_traincascade中设置参数-minHitRate（默认为0.995）和-maxFalseAlarmRate（默认为0.5）实现。只有满足了这两个性能指标，才会在这个阶段加入Haar特征。设置的最小命中率必须足够大，以确保正实例能顺利进入下一阶段。注意，如果一个阶段排除了正实例，这个错误就无法修复。因此，为了避免分类器的生成过程太复杂，要把最大虚警率设置得高一点，否则在训练阶段就需要大量Haar特征才能满足性能指标。
一个好的级联分类器，前期阶段的特征数要很少，到后期再逐步增加。在opencv_traincascade工具中，用参数-maxWeakCount（默认值100）设置每个阶段的最大特征数，用-numStages（默认值20）设置阶段的个数
如果一个阶段排除了正实例，这个错误就无法修复，有少数正样本会随着训练阶段的推进而丢失，因此一定要提供比每个阶段所需数量更多的正样本。在上述例子中，numPos应该设为可用正样本数量的90%。
增强型级联学习法AdaBoost

停止条件

如果在一个阶段中，在不需要增加新特征的情况下就能满足两个性能指标，那就在此时停止级联分类器的训练。
注意，训练过程中，每个阶段的样本数是逐阶段减少的。所以到达同样的命中率，越来越困难。

最终精度

级联分类器的精度（命中率）预计为0.99520，虚警率预计为0.520。这意味着90%的正实例会被正确地标识，0.001%的负样本会被错误地标识为正样本。
是每个阶段命中率及虚警率的阶段数次方。