基于adaboost算法的人脸检测_关于人脸那点事——基于Adaboosting的人脸检测（二）...

一、OpenCV中的Haar分类器

在2001年，Viola和Jones发表了经典的《Rapid Object Detection using a Boosted Cascade of Simple Features》和《Robust Real-Time Face Detection》，论文中基于Adaoosting算法，使用类haar特征对人脸进行检测，并对Adaboosting得到的强分类器级联，进而可以较准确的完成人脸检测，论文中的检测器也被称为Viola-Jones检测器。之后Rainer Lienhart和Jochen Maydt发表了文章《An Extended Set of Haar-like Features for Rapid Object Detection》，文章使用了对角特征，对Viola-Jones检测器进行了扩展，这篇文章的算法，也正是OpenCV收录的Haar分类器。

二、Haar分类器的原理

（一）OpenCV中的haar特征

1. haar特征的种类：

OpenCV中有三类haar特征（5种BASIC特征，3种Core特征，6种Titled特征），如下图：

图2.1 haar特征种类

图中的黑色区域的权重为-1，白色区域权重为1。三、如何训练

2. haar特征的统计

在OpenCV的haar分类器中，默认使用的BASIC特征。我们以x3类haar特征为例，介绍如何生成haar特征。

图2.2 haar特征计算

如图所示，红色框为检测区域，我们计算检测区域的haar特征。由基础的x3特征，沿x方向和y方向放大，并且在每次放大以后在检测区域内平移，会生成x3系列特征值。

假设x3特征的宽和高为w、h，检测区域的宽和高为W、H，则在x方向和y方向最大放大系数X、Y为：

产生的特征数量为：

计算时，按照x方向产生的特征数量、y方向产生的特征数量，然后相乘起来即可得到上式结果。举个例子，检测窗口为60*60时，w=3， h=1，W=H=60，一共产生1079700个子特征。

3. haar特征的计算

应用某种haar特征模板生成haar特征值时，haar特征值=整个区域像素和*权重+黑色区域像素和*权重。例如x3特征中，整个像素和的权重为1，黑色区域的权重为-3。权重的设计原则为保证白色和与黑色区域的权重和为0。

按照上述方式计算的haar特征值的范围非常大，因此在使用时，需要把haar特征值进行标准化，这里介绍OpenCV中标准化haar特征的方法：

（1）假设检测窗口为（w*h），计算（w-2）*（h-2）的图像区域的灰度值的和与平方和：

（2）计算平均值：

（3）计算标准化因子：

（4）标准化后的特征为：

4. 弱分类器和强分类器

一个完整的弱分类器包含：（1）若干haar特征和每个haar特征有一个阈值；（2）若干个leftValue和若干个rightValue。

如下图所示，是一个深度为2的弱分类器结构。

图2.3 深度为2的弱分类器

具体为：计算第一个haar特征的特征值的haar1，与阈值t1相比，如果haar1大于t1，则输出rightValue2；若haar1小于t1，则比较haar2与t2，若haar小于t2，输出leatValue，否则输出rightValue1。

强分类器是由若干个弱分类器组成的，一个强分类器里面的弱分类器相互独立。强分类器的值是弱分类器的直接求和，当强分类器的值大于强分类器的阈值时，才认为是一个目标，否则认为检测窗口不包含目标。

5. 级联分类器

强分类器是由弱分类器“并联”构成的，而级联分类器是由强分类器级联组成的。当一个检测框可以通过所有的强分类器，才认为该检测窗口包含了目标。

三、介绍训练方法

利用OpenCV的训练分类器工具，可以训练haar分类器。具体方式如下：

1. 编译生成分类器工具。在编译OpenCV时，编译选项中BUILD_opencv_apps选上。如下图所示。

图3.1 OpenCV编译选项

编译后，在build/bin目录下面生成的opencv_createsamples和opencv_traincascade两个可执行文件是我们需要的。

2. 准备正负样本。一般情况下，正样本与负样本比例小于1：5是比较合理的。使用opencv_createsamples生成用于训练的正样本文件（后缀为.vec）：

图3.2 createsamples参数含义

-info：用来描述正样本图片信息的文件，格式一般是txt格式。txt文件中每一行的格式为"xxx.jpg 1 0 0 20 20"，每一行包含3块内容，第一个是图片的绝对路径，第二个是图片中目标数量，第三块是每一个目标框的位置（x,y,w,h）。

-vec：是生成的用于训练的正样本文件。

-num：是正样本的数量。

-show：生成过程中，是否显示每个样本。

-w：每一个正样本的宽。这个值要跟后面训练时的w值保持一致。

-h：每一个正样本的高。这个值要跟后面训练时的h值保持一致。

其他的几个参数“-img、-bg、-bgcorlor”等，是使用现有正样本进行数据增广时会用到的，一般使用默认值即可。

3. 使用opencv_traincascade训练分类器。训练时的参数列表如下图：

图3.2 训练分类器的参数列表

-data：最终生成的参数文件，以及一些中间的文件。

-vec：存放用opencv_createsamples生成的正样本的文件。

-bg：用来存放负样本的文件，一般格式为txt。txt文件的每一行存放了一张图片的绝对路径。

-numPos：正样本的数量，一般小于等于真实正样本的数量。

-numNeg：负样本的数量，一般小于等于真实负样本的数量。

-numStatges：级联分类器的级数。

-stageType：强分类器的类别，目前只支持BOOST。

-featureType：训练分类器使用的特征种类，一般包括HAAR、LBP、HOG，默认使用HAAR特征，人脸检测HAAR特征最好。

-w和-h：样本的宽和高，要跟opencv_createsamples生成文件时的参数值保持一致。

-bt：AdaBoosting的类别，OpenCV包含DAB(Discrete AdaBoost)，RAB(Real AdaBoost)，LB(LogitBoost)与GAB(Gentle AdaBoost)，默认使用GAB。

-minHitRate：设置的训练目标召回率。

-maxFalseAlarmRate：最大虚警率，影响弱分类器的阈值，表示每个弱分类器将负样本误分为正样本的比例，一般默认值为0.5。

-weightTrimRate：0-1之间的阈值，影响参与训练的样本，样本权重更新排序后(从小到大)，从前面累计权重小于(1-weightTrimRate)的样本将不参与下一次训练，一般默认值为0.95

-maxDepth：弱分类器的最大深度，默认为1，一般不超过2。

-maxWeakCount：每一个强分类器包含的弱分类器的数量，默认为100。

四、使用分类器进行分类

OpenCV在data目录下，提供了已经训练好的若干分类器，基于提供的分类器，提供了一份demo code，链接为：

AmazingRoad/AdaboostingFaceDetection​github.com

写在后面的话：

参考文章：https://blog.csdn.net/mnydxk/article/details/81034302。