【人脸识别7】haar+CART+Adaboost+Cascade训练过程分析

【人脸识别7】haar+CART+Adaboost+Cascade训练过程分析

人脸检测分类器可以总结为：

    人脸检测分类器=haar-like （特征）+CART(弱)+ Adaboost（强） + Cascade（级联）

下面将从以下几个问题入手，各个击破：

1.什么是Haar特征？为什么使用feature而不是直接使用pixels？

2.什么是CART分类回归树？CART在本节的训练中有何作用？

3.什么是弱分类器？在本节中，具体是指什么？如何得到弱分类器(CART)？

4.强分类器是什么？如何训练得到(ADaboost)？结构如何？

5.Cascade是什么？有什么作用？

6.整个人脸检测分类器的组成？详述训练过程 haar+CART+adaboost+cascade?

 

一、带着问题来学习

   1.什么是Haar特征？为什么使用feature而不是直接使用pixels？

    Haar特征：

                

                

    为什么使用feature而不是直接使用pixels？

     我们的目标检测过程是根据简单特征的值对图像进行分类。使用特征而不是直接使用像素有很多动机。

        （1）特征可以用来编码特定领域的知识，而这些知识是很难用有限数量的培训数据来学习的。

        （2）对于这个系统使用特征，还有第二个关键的动机：基于特征的系统的运行速度比基于像素的系统要快得多。

    在本分类器中，所涉及的haar特征具体参数如下：

typedef struct CvTHaarFeature
{
    char desc[CV_HAAR_FEATURE_DESC_MAX];
    int  tilted;/*haar特征包括一个tilted标志，tilted = 0  是直立型特征； tilted =1  是45度特征   
		特征是2-3 个带权重的矩形，如果rect[2].weight != 0 则特征是3个矩形，否则是2 个矩形*/
    struct
    {
        CvRect r;  //矩形
        float weight; //权值
    } rect[CV_HAAR_FEATURE_MAX];
} CvTHaarFeature; //haar特征

typedef struct CvFastHaarFeature
{
    int tilted;
    struct
    {
        int p0, p1, p2, p3;
        float weight;
    } rect[CV_HAAR_FEATURE_MAX];
} CvFastHaarFeature;

typedef struct CvIntHaarFeatures
{
    CvSize winsize;
    int count;
    CvTHaarFeature* feature;
    CvFastHaarFeature* fastfeature;
} CvIntHaarFeatures;

 

2、什么是CART分类回归树？CART在本节的训练中有何作用？

 

  本节中，所用的CART（分类回归树）是一种决策树学习算法。分类回归树(classification and regression tree，CART)模型由Breiman等人在1984年提出，是应用广泛的决策树学习方法。CART同样由特征选择、树的生成以及剪枝组成，既可以用于分类也可以用于回归。

       CART的算法思想是：CART算法采用的是一种二分递归分割的技术，将当前样本分成两个子样本集，使得生成的非叶子节点都有两个分支。因此CART实际上是一棵二叉树。

       特点：当CART是分类树的时候，采用GINI值作为分裂节点的