基于adaboost的人脸检测方法

最近，学习了Adaboast，并阅读了大牛Paul Viola和Michael Jones的《Robust Real-Time Face Detection》这篇文章，尽管文章思路及用到的方法的不难，但是细细一整理，还是有很多值得推敲的地方。那么我们就从这篇文章说起。

看完这篇文章，第一感觉是似懂非懂，所以就细细地梳理了一下思路。总的来说，这篇文章所涉及的方法，和普通机器学习思路是一样的，分为训练和测试两步，其中训练又分为两步，1，通过Adaboast方法对图像的特征进行降维，选择出最利于图像分类的有限个特征（也同时是Adaboast的弱分类器）；2，又一次使用Adaboast方法对图像的特征进行组合，成为级联侦测器（Cascade）；测试就是通过训练好的级联侦测器对图像进行人脸检测，下面，我们就细细讲明以上几个步骤：

一，训练之对图像特征进行降维。

（1）Haar-like特征

在这里，我们使用的图像特征Haar-like特征，Viola和Jones在此基础上，使用3种类型4种形式的特征。

3种类型分别为：2-矩形特征、3-矩形特征、4-矩形特征。

如上图所示，这是4种形式的特征模板，内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。通过改变特征模板的大小和位置，可在图像子窗口中穷举出大量的特征。上图的特征模板称为“特征原型”；特征原型在图像子窗口中扩展(平移伸缩)得到的特征称为“矩形特征”；矩形特征的称为“特征值”。那么在一幅训练图像中，这种特征模板有多少呢？在查找了大量资料，发现证明过程如下：