利用Adaboost和Haar特征进行人脸检测

利用哈尔和LBP特征，训练分类器，然后进行人脸检测

Adaboost是Adaptive boosting方法的简写，是目前人脸检测最为成功的算法之一，其特点是训练分类器慢，检测比较快。

boosting是将弱学习算法提升为强学习算法的一类算法。

Adaboost算法的基本原理是 “三个臭皮匠 定个诸葛亮”，把一些比较弱分类方法结合在一起，组合成新的很强的分类方法，一般情况下，弱分类器的分类能力只有0.5，跟瞎蒙差不多。

在人脸检测过程中：

(1)使用haar/lbp特征表示人脸，使用积分图实现特征值的快速计算。

(2)使用Adaboost算法挑选出一些最能代表人脸的矩形特征（弱分类器),按照加权投票的方式将弱分类器构造为一个强分类器

(3)将训练得到的若干分类器串联组成一个级联结构的层叠分类器，级联结构能有效的提高分类器的检测速度。如下图所示。

强分类器	弱分类器个数	强分类器阈值
1	3	0.822689
2	16	6.95661
3	21	9.49854
4	39	18.413
5	33	15.3241
6	44	21.0106
7	50	23.9188
8	51	24.5541
9	56	27.1534
10	71	34.5541
11	80	39.1073
12	103	50.6105
13	111	54.6201
14	102	50.1697
15	135	66.6691
16	137	67.6989
17	140	69.2299
18	160	79.2491
19	177	87.696
20	182	90.2533
21	211	104.749
22	213	105.761

上表中第一层分类器是由三个分类能力比较强的弱分类器组成。越靠上层的分类器，分类能力越强。只有当样本通过所有的分类器，才能证明当前的样本是人脸区域。

检测算法如下：

Step 1: 将图像灰度化，并归一化(方法稍后再解)，减少光照因素的影响。

Step 2: 移动图像窗口，检测该窗口内是否有人脸存在；

       For   y = 0; y<= img_height-20;y+=Step;

           For  x=0;x<=img_width-20;x+=Step;

                 Window_height = 20;

                 Window_width =20;

                 得到矩形（x,y, Window_width, Window_height）;

                 WinPassClassifier 检测该矩形内是否有人脸 

                 如果有人脸

                         存储该矩形

                 如果没有人脸

                         移动窗口，继续扫描检查

            End

         End

Step 3：对存储的矩形进行处理，合并相邻的矩形，滤除大矩形内的小矩形。

Step 4：输出人脸区域矩形

WinPassClassifier  //检测指定的矩形内是否有人脸，返回正是人脸，否则不是

Step 2：让该窗口通过分类器，并判断该窗口内是否有人脸

      For   _stage = 0,……. 强分类器个数  //当前文件中为22个

           Weak_Clissfier_sum= 0;

           For  idx = 0,…… 当前强分类器包含的弱分类器个数

               得到Haar特征(有2个或3个矩形组成)

               If ( feature>threshold*weak_th_factor )

                                 Weak_Clissfier_sum +=  right_val;

               Else

                                 Weak_Clissfier_sum+= left_val;

            End  //当前强分类器对应的弱分类器遍历结束

               If  ( Weak_Clissfier_sum <_stage_threshold )

                       当前窗口不是人脸区域 ，程序跳出执行，并返回

               Else

                           继续用下个强分类器进行判断

        End // 所有的强分类器遍历结束

图像归一化：

在训练的分类器的过程中，由于受光照因素的影响，会造成同一个样本在不同的光照条件下，图像信息差别过大，为了尽量减小光照因素的影响，因此在学习之前要对图像进行光照归一化。设样本图像(20*20)的均值为mean，样本图像中像素点的个数为N，样本图像的标准差为dev, 归一化后的图像像素值为(gray-mean)/dev，其中gray为归一化之前的像素值。这样处理之后所有的样本图像都具有相同的方差(为1)