如何使用 OpenCV 內建的 adaboost 程式來訓練和檢測目標

如何從海量HAAR特徵中選擇最優的HAAR特徵，並將其製作成人臉檢測的分類器，是Adaboost演算法訓練過程中需要解決的關鍵問題。

Paul Viola 和 Michael Jones （2001） 將 Adaboost 演算法應用於人臉檢測，其基本思想是針對不同的訓練集訓練相同的分類器（弱分類器），然後在這些不同的訓練集上組合生成的分類器，形成最終的強分類器。 adaboost演算法中的不同訓練集是通過調整每個樣本對應的權重來實現的。 開始時，每個樣品的權重相同，對於H1分類誤差，增加相應的權重; 對於正確分類的樣本，減小其權重，使錯誤分類的樣本突出顯示，從而獲得新的樣本分佈u2。

在新的樣本分佈下，再次訓練弱分類器，得到弱分類器h2。 以此類推，經過t個迴圈後，得到t個弱分類器，將t個弱分類器按照一定的權重疊加（boost），得到最終想要的強分類器。

1）以樣本集為輸入，在給定的矩形特徵樣機下，計算得到矩形特徵集;

2）以特徵集為輸入，根據給定的弱學習演算法，確定Min值，並將特徵與弱分類器一對一對應，得到弱分類器集;

3）以弱分類器集為輸入，在訓練檢出率和假陽性率的限制下，採用A D A B O O S T演算法。

選擇最優弱分類器形成強分類器。

4）將強分類器集作為輸入，組合成級聯分類器;

5）以非人臉**集為輸入，結合強分類器作為臨時級聯分類器，過濾補充。

非面部樣本。

OpenCV內建的Adaboost程式可以根據使用者輸入的正負樣本集訓練分類器，引腳腔常用於人臉檢測、行人檢測等。 其預設功能為 HAAR，不支援其他功能。

如何從海量HAAR特徵中選擇最優的HAAR特徵，並製作用於人臉檢測的分類器，是Adaboost演算法訓練過程中需要解決的關鍵問題。

Paul Viola 和 Michael Jones （2001） 將 Adaboost 演算法應用於人臉檢測，其基本思想是針對不同的訓練集訓練相同的分類器（弱分類器），然後在這些不同的訓練集上組合生成的分類器，形成最終的強分類器。 adaboost演算法中的不同訓練集是通過調整每個樣本的權重來實現的。 開始時，每個樣品的權重相同，對於H1分類誤差，增加相應的權重; 對於正確分類的樣本，減小其權重，使錯誤分類的樣本突出顯示，從而獲得新的樣本分佈u2。

在新的樣本分佈下，再次訓練弱分類器，得到弱分類器h2。 以此類推，經過t個迴圈後，得到t個弱分類器，並按照一定的權重對t個弱分類器進行疊加（提公升），得到最終所需的強分類器。

1）以樣本集為輸入，在給定的矩形特徵樣機下，計算得到矩形特徵集;

2）以特徵集為輸入，根據給定的弱學習演算法，確定Min值，並將特徵與弱分類器一對一對應，得到弱分類器集;

3）以弱分類器集為輸入，在訓練檢出率和假陽性率的限制下，採用A D A B O O S T演算法。

選擇最優弱分類器形成強分類器。

4）將強分類器集作為輸入，組合成級聯分類器;

5）以非人臉**集為輸入，結合強分類器作為臨時級聯分類器，對非人臉樣本進行篩選和補充。

訓練樣本的選擇：

訓練樣本要求是人臉的特寫影象，圖1是一組訓練樣本，大小歸一化為24 24畫素，其中訓練樣本要求是人臉的特寫影象，但人臉形狀差異很大，因此在選擇訓練樣本時應考慮樣本的多樣性。 將負訓練樣本的大小歸一化為 24 24 畫素，其中每個樣本不完全相同，並且每個樣本都具有一定的代表性。

訓練過程分為三個步驟：首先，需要提取HAAR特徵; 然後，將HAAR特徵轉換為相應的弱分類器。 最後，從大量弱分類器中迭代選擇最優弱分類器。

物體檢測過程分為三個步驟：

1.建立樣品。

2. 訓練分類器。

3. 使用經過訓練的分類器進行物件檢測。

2. 樣品建立。

訓練樣本分為正樣本和負樣本，其中正樣本是指要測試的目標樣本，負樣本樣本是指其任意樣本。

陰性樣本。 陰性樣本可以來自其中任何乙個，但它們不能包含目標特徵。 陰性樣本由背景配置檔案描述。

使用 dos 命令生成示例配置檔案。 具體方法是進入你的 dos 目錄下，例如，my ** 放在 d： face posdata 下，然後：

按Ctrl+R開啟Windows執行器，輸入cmd開啟DOS命令視窗，輸入D：Enter，然後輸入cd D：faceegdata進入**路徑，再次輸入dir b>會在**路徑下生成乙個檔案，開啟該檔案並刪除最後一行，從而生成乙個否定的樣本描述檔案。