adaboost人脸检测算法解惑

            由于要做基于android平台的人脸检测毕业设计，所以开始学习了adaboost算法，看了很多篇文章，收获最多的是北京大学，赵楠的毕业论文。但是对于初学者很多概念容易混淆，很多细节大家都没有讲。我先把整个算法的流程用自己的语言写下来，然后再分析我遇到的问题及我对于问题的理解。请大家先看赵楠的论文http://www.doc88.com/p-300948713694.html再看我的文章。

        一，特征模板可以在子窗口以任意的尺寸（但要遵循比例），任意的位置放置，每种形态成为一个特征。24*24的图片有16000+个特征。

       二，对于每个特征（注意不是特征模板，对于24*24有16000+个特征），对应所有人脸样本和非人脸样本求特征值。

       三，把特征值从小到大排列，比如1,3,4,5,6,8,9······第一次选择1和3之间的2作为人脸和非人脸的阀值，计算，第二次选择3和4之间的3.5做为阀值，再计算上面的误差，依次进行下去，选择使误差最小的作为阀值，得到如下公式，也就是我们所说的最佳弱分类器：

      

       四，调整权重，把分错类的样本权重调大，把分对类的样本权重变小。

       

        五，由16000个（一般不取这么大）最佳弱分类器，按照下面的公式组成强分类器：

           

        问题一，24*24的图片有16000+个特征？

        答：注意特征矩形可以重叠放置，所以才有这么多，最初我理解画了这个特征矩形就不能画其他的了，这是错误的。

        问题二，每一个特征对应所有人脸样本和非人脸样本求特征值，为什么特征值不同？

         答：因为图片不同，像素值就不同，简单的说就是深浅不同，像素值也不同。

        问题三，为什么特征模板是那几种形式？

         答：因为如果是人脸，那么眼镜比脸颊的颜色要深，如下图，那么此特征在人脸上的特征值就和与非人脸上的特征值有显著差异，方便我们确定阀值。

          

        问题四，为什么？

        设想极端情况，我们的选取的阀值恰好分开了所有的人脸与非人脸，那么此时e是不是为0呢。

        问题五，为什么要调整权值？注意权值是对于人脸和非人脸样本来言的？

        让上次分类错误的样本不要再分错了，因为

        问题六，组成强分类器是什么意思？

         是最佳弱分类器的权重，与误差有关，误差越小，所在的权重越大。