[发明专利]AdaBoost级联分类器检测图像目标的方法

说明书

本发明涉及一种AdaBoost级联分类器检测图像目标的方法，属于目标检测技术领域。本发明通过优化所述训练样本库中正样本和负样本，用优化后的样本重新训练，得到最终的级联分类器，利用最终的级联分类器采用构造图像金字塔和缩放分类器结合的方式对图像目标进行检测，在保持检测性能的前提下可以进一步提高检测速度。

技术领域

本发明涉及目标检测技术领域，具体涉及一种AdaBoost级联分类器检测图像目标的方法。

背景技术

在目标检测方法中，现在常用的一类方法是基于统计学习的分类器设计算法。在机器学习方法中，AdaBoost能够将弱分类器组合起来构成强分类器，并在人脸检测等方面也得到了成功的应用。在OpenCV(开源计算机视觉库)中该算法结合Haar特征、HOG等特征得到成功实现和应用，并为广大计算机视觉研究人员使用，使其成为各种场合下目标检测应用的首选。在OpenCV的帮助下，可以很快应用Adaboost算法结合各种特征对目标检测应用的性能进行测试，从而对算法的性能做出评估。

Adaboost算法最早源于Schapire在1989年提出的Boosting(自举)算法^[1]，她是一种能够“Boost”任意给定学习算法精度的普适方法。1995年Freund和Schapirey又对其进行了改进，形成了最初的AdaBoost(Adaptive Boosting)算法^[2]，之后又出现了很多基于此方法的变形，主要有GAB(GentleAdaBoost)、DAB(DiscreteAdaBoost)、RAB(RealAdaBoost)和LAB(LogitAdaBoost)。AdaBoost算法的核心是通过调整样本分布和弱分类器权值，自动地从弱分类器空间中筛选出若干关键的弱分类器，并通过某种方式整合为一个强分类器。

根据Rainer等人对变形的几种AdaBoost算法的测试和比较，GAB(GentleAdaBoost)算法在分类性能上不仅仅是最优的，也是最快的，因此选用这种方法来训练强分类器，算法流程如下^[2]:

1.给定N个样本(x₁，y₁)，…（x_N，y_N)，其中x_i∈R^k，y_i∈{-1，1}。

2.初始化权值Wi＝1/N，i＝1，…N。

3.迭代form＝1,…,M

a.通过ω_i设置y_i到x_i的加权最小平方,调整退化函数f_m(x)；

b.计算err_m＝E_ω[E(y＝f_m(x))]，c_m＝lag((1-err_m)/errm)；

c.令ω_i←ω_i*esp(y_if_m(x_i))，i＝1，…，N重新归一化权值使Σ_iω_i＝1；

4.输出强分类器:

OpenCV中对经典AdaBoost算法的四种实现形式选择提供了接口，可以测试对比各种训练方法下得到的训练器的性能。另外对于训练终止条件提供接口可进行选择。满足检测率和误报率可以终止训练。或者指定弱分类器个数的最大值，这样可以控制训练时间，但是这样可能存在得到的强分类器达不到指定的检测率和误报率训练就终止了。