人脸检测学习笔记之opencv

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