基於haar特征的Adaboost人臉檢測技術
本文主要是對使用haar+Adabbost進行人臉檢測的一些原理進行說明，主要是快找工作了，督促自己復習下~~
一、AdaBoost算法原理
AdaBoost算法是一種迭代的算法，對於一組訓練集，通過改變其中每個樣本的分布概率，而得到不同的訓練集Si，對於每一個Si進行訓練從而得到一個弱分類器Hi，再將這些若分類器根據不同的權值組合起來，就得到了強分類器。
第一次的時候，每個樣本都是均勻分布，通過訓練得到分類器H0，在該訓練集中，分類正確的，就降低其分布概率；分類錯誤的，就提高其分布概率，這樣得到的新的訓練集S1就主要是針對不太好分類的樣本了。再使用S1進行訓練，得到分類器H1，依次迭代下去……，設迭代此外為T，則得到T個分類器。
對於每個分類器的權值，其分類准確性越高，權值越高。
二、Haar特征
2.1 特征樣子
就是一些矩形特征的模板，在viola&Jones的論文中，有下面這五種
在opencv中的方法中，有下面這14種，
2.2 特種的個數
對於一個給定的24X24的窗口，根據不同的位置，以及不同的縮放，可以產生超過160,000個特征。
2.3 特征計算方法——積分圖
有點類似於動態規划的思想，一次計算，多次使用
對應於兩矩形特征2，矩陣A的值可以用i(5)+ii(1)-ii(4)-ii(2)表示，矩陣B的值用ii(6)+ii(2)-ii(3)-ii(5)表示
根據定義，haar特征的值為白色矩形減去黑色矩形的值。
三、選取弱分類器
一個弱分類器，實際上就是在這160,000+的特征中選取一個特征，用這個特征能夠區分出人臉or非人臉，且錯誤率最低。
現在有人臉樣本2000張，非人臉樣本4000張，這些樣本都經過了歸一化，大小都是24X24的圖像。那么，對於160,000+中的任一特征fi，我們計算該特征在這2000人臉樣本、4000非人臉樣本上的值，這樣就得到6000個特征值。將這些特征值排序，然后選取一個最佳的特征值，在該特征值下，對於特征fi來說，樣本的加權錯誤率最低。選擇160,000+個特征中，錯誤率最低的特征，用來判斷人臉，這就是一個弱分類器，同時用此分類器對樣本進行分類，並更新樣本的權重。
具體過程如下：
1. 歸一化權重：
2、對於每一個特征f，訓練一個弱分類器h;計算所以特征的加權錯誤率εf，
3、選取具有最小錯誤率εf的弱分類器hi
4、調整權重
四、級聯成強分類器
五、檢測
檢測過程中，通過不斷的調整檢測窗口的位置、比例，來找到人臉。