【ZJU-Machine Learning】使用AdaBoost进行目标检测

目标检测与分割的三类问题

语义分割（Semantic Segmentation）

目标定位与识别（Classification and Localization）

目标检测（Object Detection）

基本思想

（1）白色区域的像素值，减去黑色区域的像素值。
（2）每一个FEATURE所有区域长度和宽度一致。
（3）FEATURE可以在整幅图上平移，只需要满足（1）和（2）即可。
（4）可以取下图这四种形式。

对于一个24*24的图像，所有的Haar-like feature 个数为20万左右。

为了解决计算量过大的问题，Viola and Jone, Robust Real-Time Face Detection, International Journal of Computer Vision 57(2), 137–154, 2004提出了一种转换方法，这种方法将面积转换成了对积分的加加减减，

Image(D) =Integral(4)+Integral(1)-Integral(3)-Integral(2)

分类器构造

取一些人脸（6000张左右）和一些非人脸（7万张）作为训练样本。

通过这一步，给出了图像、特征、阈值和p进行训练，能够得到所有的f（20万个特征），对于每一个特征f，我们要求的是最佳的阈值和p，使得h在训练集上识别率最高。由此，对于每一个特征，我们都制造了一个弱分类器，下面使用Adaboost进行特征选择。

使用AdaBoost算法进行特征选择

1、首先在数据集D中选取正确率最高的特征，用F1表示。
2、将数据集D分为两类，{F1分对的数据}和{F1分错的数据}。
3、以较大概率取F1分错的数据，以较小概率去F1分对的数据，形成新的集合D2。
4、在D2中选取正确率最高的特征，用F2表示。
5、将D分为： {F1、F2都分对的数据}，{F1分对而F2分错的数据，以及F1分错而F2分对的数据}，{F1，F2都分错的数据}。
6、以最大概率取{F1，F2都分错的数据},以次大概率取{F1分对而F2分错的数据，以及F1分错而F2分对的数据}， 以最小概率取{F1、F2都分对的数据}，得到数据集D3.
7、在D3中选取正确率最高的特征，用F3表示。循环，以此类推。
8、用各个特征的线性组合构建分类器。

最终得到能表征人脸的Haar 特征：

AdaBoost人脸检测流程：

1、在图像中，对每一个 24 * 24 的格子遍历使用分类器，如果是人脸，则输出。
2、将图像缩小，长宽同时除以1.2，在用分类器遍历每一个24 * 24的格子。如果是人脸，将该处位置坐标乘以1.2， 等比例放大到原图。
3、重复2，直到图像长或宽小于24个像素为止。

Tips：对于使用AdaBoost训练得到的模型，在检测时只能使用训练所用的角度进行识别。若要多角度识别，可以将构建多个姿态人脸AdaBoost分类器，树状级联后可以获得多姿态人脸检测器