一、人脸检测的几种方法
1.基于人脸几何特征的方法
1)基于先验知识
2)基于模板
2.基于肤色的方法
3.基于人脸统计理论的方法
1)概述:将人脸检测的问题转化为统计学上的模式识别问题,即通过采用统计分析以及机器学习的方法,对人脸样本以及非人脸样本进行训练,得到各自的特征,从而构建一个人脸分类器。
2)效果:得到人脸的绝对坐标和大小
3)现有的主要方法:
#1基于特征空间的方法
#2基于人工神经网络的方法
#3基于支持向量机的方法
#4基于隐马尔科夫模型的方法
#5Boosting方法(OpenCV采用的方法)
二、AdaBoost(Adaptive Boost 自适应增强)
1.BOOSTING
基于PAC学习模型的理论分析,Valiant提出了Boosting算法,涉及软学习和强学习
弱学习(弱分类器 Weak Classifier):一个学习算法对一组概念的识别率只比随机识别好一点
强学习(强分类器 Strong Classifier):一个学习算法对一组概念的识别率很高
Kearns和Valiant提出了弱学习和强学习等价的问题并证明了只要有足够的数据,弱学习算法就可能通过继承的方式生成任意高精度的强学习方法。
这一理论是Boosting算法的基础,Boosting算法成了一个提升分类器精确性的一般方法。
1996年,Freund和Schapire提出了一个实际可用的自适应Boosting算法——AdaBoost。
2.adaboost的核心思想
adaboost是一种迭代算法,它针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。
3.adaboost算法流程
输入图像->图像预处理->提取特征->训练分类器(二分类)->得到训练好的模型
接着给出测试过程
输入图像->图像预处理->提取特征->导入模型->二分类(是不是所要检测的物体)。
4.HAAR特征(HAAR-LIKE FEATURES)
Adaboost是一种算法(解决问题的架构),应用于人脸检测时就要用到HAAR特征(对问题的刻画)。
--------------------------------------------------(以下段落摘自wikipedia)-------------------------------------------------
是用于物体识别的一种数字图像特征。它们因为与哈尔小波转换 极为相似而得名,是第一种即时的人脸检测运算。
历史上,直