haar-like 特征、Adaboost 算法和 Cascade 级联结构

主要将 haar-like 特征、Adaboost 算法和 Cascade 级联结构结合
在一起的物体检测算法 [39] 。该方法先使用 haar-like 特征表征人脸,然后基于
Adaboost 算法，使用大量的人脸正、负样本训练获得区分人脸和非人脸的强分类
器, 最后将所有的强分类器分段级联起来识别人脸。算法的实现主要分为四个步
骤：haar 特征选择、创建积分图、Adaboost 分类器训练、级联分类器。

常用的 haar-like 特征主要包括四类：边缘特征，线性特征，
点特征（中心特征），对角线特征。特征模板的特征值的计算方式是用白色矩形区域的灰度像素和减去黑色矩
形区域的灰度像素和，

基于 haar-like 特征的检测可以量化脸部各区域的状态以区分人脸和背景区
域。



为了减少不必要的计算量提升算法的实时性。Viola 等人提出使用积分
图的方法计算 haar 特征值，极大地提升了计算的速度。

通过组合各类 haar-like 特征模板，就能够描述脸部的各个区域的特性，而有
些特征是无效的，所以需要丢弃这些冗余的特征。为了从大量特征中筛选出表征
人脸的关键特征，Viola 等人用 Adaboost 构建分类器 。它通过将弱分类器组合
成强分类器达到这个目的。

弱分类器通过对单个模板的特征值设定阈值将样本图像分为人脸和非人脸，
训练弱分类器的过程也就是选取最佳阈值，使得分类误差最小的过程。

弱分类器只采用一个特征进行人脸分类，而表征人脸需要多个特征，因此需
要将这些特征组合起来对人脸进行分类。弱分类器的分类效果具有差异性，选取
其中效果最好的若干个弱分类器，通过加权投票的方式组合成强分类器。




级联强分类器构建级联分类器，级联分类器在保留了几乎所有正例
的同时，滤除大量的检测窗口负例。上一个分类器判定的正例触发下一个分类器，依次保留正例
结果，去除负例，其不再传递到下一个分类器。经过多个阶段的处理，极大的
减少了子窗口的数量，为后续处理消除了额外的负面因素。


为了提升检测准确率和检测速度，需要权衡两类问题。(1)选择合适的强分类
器阈值是平衡高检测率和低误检率这对矛盾的关键。较高的阈值能够降低误检率，
但同时也会降低检测率，而设置较低的低阈值则会导致较高的检测率和较高的误
检率。(2)采用更多的强分类器和特征能够获得更高的检测率和较低的误检率，但
检测时间也会随之增大。因此，对级联分类器可以设定三个优化问题：级联分类
器包含的强分类器数量，强分类器采用的特征数量，强分类器的阈值。