物体检测 real adaboost + 像素区块差

1 介绍

        本文叙述了由本人独立研发的机器学习框架，用于物体检测。之前的一篇关于adaboost的文章，纯粹是学习笔录，本文是一篇关于个人实用技术的推广。

2 方法

        adaboost 是一套传统的机器学习框架，目前可实用的检测方法都是基于adaboost方法。real adaboost 是adaboost的一个分支，实时性较强。整套框架的组成依然是，弱分类器组合形成强分类器，强分类器根据召回率和精度按次序级联，形成最终的物体分类器，通过滑动窗口，图像金字塔对图像进行物体检测工作。

2.1 弱分类器

        弱分类是一种二值分类器，提取像素区块差。所谓像素区块差是在检测窗口内，找出两个宽度和高度相等，但是不重叠的图像块，计算块内像素灰度和值，然后两个值做差。二分方法采用最大熵。

2.2 强分类器

        real adaboost的强分类器是一棵满二叉树。二叉树的非叶节点是一个弱分类器，二叉树的叶节点用于保存一个置信度，样本走到哪个叶节点就加上该节点保存的置信度，每棵决策树对应一个置信度阈值，用于过滤负样本，阈值由召回率确定。另外样本的权重需由置信度来计算。具体请参考，real adaboost方法的详细介绍。

2.3 级联强分类器

       最后的检测器是由多棵决策是组成，当判断样本时，先用精度低的强分类器判断，再用精度高的强分类器判断。需要注意的是训练样本权值最开始都是一样的，随着强分类器的增多，样本权值变化很大，为了防止最高和最低之间权值倍数过高，需训练到一定数量时对样本权值进行重置。

3 性能与效果

         目前训练了关于人脸的模型，检测范围是图像短边的0.1～0.9，滑动距离为窗口大小的0.1，尺度数量为20，速度在20ms左右。效果如图所示：