基于相关性的AdaBoost人脸检测算法.pdf

第37卷第8期
计算机工程
2011年4月
Vol 37 No8
Computer Engineering
April 201
?人工智能及识别技术?文章号:103142801108015803文款标识码:A
中分类号:TP391,A
基于相关性的 Adabo0st人脸检测算法
张看目,伟
(西北工业大学电子信息学院,西安710129)
:为提高传统 Adaboost算法的集成性能,降低算法复杂度,提出2种基于分类器相关性的 Adaboost算法。在弱分类器的训练过程
中,加入Q统计量进行判定。每个弱分类器的权重更新不仅与当前分类器有关,而且需要考虑到前面的若干分类器,以有效降低弱分类器
间的相似性,剔除相似特征。仿真结果表明,该算法其有更好的检测率,同时可降低误检,改进分类器的整体性能。
关:人脸检测;分类器相关性;自适应提升算法;Q统计量
Adaboost Face Detection Algorithm Based on Correlation
Zhangjun-chang, FAN Wei
Schoo of Eecron noman En en No west Polytecnica University, Xi an, China)
Tabstract In order to enhance the ensemble of the tradional Adaboost alg hm and uce its omplexity, two improved Adaboost algorithms
are proposed, which are based on the comelation of clssifiers in the algorithm, Q-statistic is added in the training weak classifiers. Every weak
classifier is related not only o the ument classifier but also o e previous clas ers as we wh ch an festively reuce the weak classifier
similarity. Simulations show that the algorithm is of better detection rate and lower false alarm rate.
Key words face detection; corelation of classifiers; adaptive boosting al hm; Q-statistic
DOL:10.39695issn.10003428.2011.08.054
1概述
其中,ん表示简单分类器的值;9为阈值;P,表示不等号
人脫枪测指的是在输入图像中确定所有人脸的位置、大的方向,只能取士1;f()表示特征值,j=L,2…,n
小和姿态的过程。近年来出现了大量的人脸检测方法,其中,
(2)初始化误差权重」。对于y=0的假样本,=1/2a;
文献1提出的 Adaboost人脸检测方法,极大地提高了人脸
对于y=1的真样本,W=1/2b。
检测的速度和精度,同时也有较好的识别效果,使人脸检
真正走向了实时应用阶段。
(3)对!=1,2,…,T,T为训练的次数,进行如下操作。
Adaboost算法是一种自适应 Boosting算法,其原理是将
1)归一化权重
一些简单的弱分类器通过特定的训练需求组合成一个强分类
器。在训练和梭测时每一个强分类器对待检测的矩形特征进
行判决,将这些强分类器级联起来生成一个准确的、快速的
2)对每个特征f,训练一个弱分类器ん,计算对应所有
分类器。但是,由 Adaboost算法的权重更新规则可以看出,特征的弱分类器的加权错误率e:
该算法的一个缺点是在训练当前弱分类器时,只考虑了减少
当前分类器与上一个分类器之间的相关性,而忽略了与之前
更早选择的分类器的相关性,使弱分类器的集成性能下降。
3)选取最佳的弱分类器4(x)(拥有最小的错误率e),加
鉴于分类器相关性对分类结果有着重要的响,本文提入到强分类器中去。
出一种基于分类器相关性判断的 Adaboost算法,在分类器训
4)按照这个最佳弱分类器,谓整权重:
练过程中加入了相关性判定,根据判定值,将具有差异互补
特性的分类器进行组合,最终形成强分类器。仿真结果证明,其中,e=0表示x被正确分类,∈=1表示x被错误分类,有:
该算法形成的强分类器较传统的 Adaboost算法具有更好的
分类效果,也提高了 Adaboost的训练效率。
2 Adaboost人脸检系统
形成最后的强分类器:
2.1AdaB00st算法原理
Ada Boost算法的具体步骤如下2l:
h(x)=
a4(x)≥=
0 others
(1)假设输入n个训练样本:{1y},x2y2l…,{xyn),其
中,y=[0.1,i=1,2,…n,0代表假样本,1代表真样本。已其中,4=g。
知训练样本中有a个假样本和b个真样本。第j个特征生成
的简单分类器如式(1)所示。
作者筒介:张君昌(1969-),男,副教授、博士后,主研方向:信号
P∫(x)处理,无线通信;樊伟,硕士研究生
h,(x)
0 others
()收日:2010-10-25E-mai:nwpuzjc@yahao.com.cn
万方数据