机器学习大报告.pdfVIP

现代机器学习理论报告 基于 AdaBoost 算法的人脸检测技术仿真 学 院： 学 号： 姓 名： 任课老师： 基于 AdaBoost 算法的人脸检测技术仿真 一． 引言 人脸检测是指在输人图像中确定所有人脸的位置、 大小、位姿的过程。 先进 的自动人脸识别系统必须能够对一般环境图像具有一定的适应能力， 所以首先要 求人脸检测应具有较高的鲁棒性和准确性， 这使得人脸检测开始作为一个独立的 课题受到研究者的重视。今天，人脸检测在基于内容的检索、数字视频处理、视 觉监测等方面有着重要的应用价值。 图像中的人脸检测可以看作一个分类问题， 即分类人脸和非人脸， 分类姿态 和表情不同的人脸。 应用于人脸检测的算法很多， 如人工神经网络、 支撑向量机、 AdaBoost 和稀疏表示等等 [1] 。AdaBoost 算法基于弱分类器提升为强分类器的思 想，在检测速度和准确率上有出色的表现。本文的主要工作是基于 Visual C++ 和 OpenCV开源计算机视觉库， 仿真基于 AdaBoost 算法和 Haar-like 特征的人脸 检测技术。文章首先对 AdaBoost 算法原理作介绍，其次说明人脸检测中的类 Haar 特征和筛选式级联分类器的原理， 然后是训练和检测的算法实现流程， 最后附上 实验结果和实验分析。 二． AdaBoost算法 1989 年， Kearns[2] 提出 PAC学习模型中弱学习算法与强学习算法的等价问 题，即能否通过统计提升从很多弱分类器算法中学习到一个强分类器。 1996 年， 由 Freund 和 Schapire [3] 提出第一种 Boosting 算法，即 AdaBoost 算法。 AdaBoost 算法的基本原理是训练一系列弱分类器（分类效果仅略好于随机 的分类），然后将其整合为一个强分类器。 AdaBoost 采取迭代的策略，在每一项 弱分类器训练之后，提升其“分错类”样本的权重，在下一分类器的训练中，将 “聚焦”于分类较为困难的样本。 在所有弱分类器的训练完结后， 按每一弱分类 器的错误率决定其在结果判别中所占的权重。 AdaBoost 算法的原理图如下所示。 图一 AdaBoost 算法原理图 其中，算法的输入为 { (x , y ) |i 1,...M } ，x 为特征向量， y 为向量的类别标签，且 i i i i y { 1, 1} t { 1,...,T} 满足 ，M 为样本总数。 由 boosting 算法训练 T 个分类器 h (x) ，