Adaboost算法简介
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
相对于选定的检测子图像大小来说要大一些 受脸的大小和位置的影响较小
第二个特征：眼睛区域的颜色比鼻梁的颜色要深
瓶颈：要提高检测的准确率就要加特征，但是加特征又会增加计算时间，降低检测效率
特征选择过程
用到一个非常大的特征集
把每个像素映射到一个d维的二进制向量，如果像素值为x，那么只有第x项为1，其余项为0
把每个像素的向量连接起来，形成一个nd维的二进制向量 给向量的每一项赋权值
学习结果
用Adaboost方法进行学习
第一个特征：眼睛区域的颜色比脸颊和鼻子区域要深
一种可行方法是根据单一特征建立分类器。 形式：h(x, f, p,θ)
组成：x：子图像
f ：feature 特征 p：polarity 极性（不等式的方向） θ：threshold 阈值
Adaboost 像，y代表子图像是否为人脸（实际上）
y=0：子图像不是人脸，为负图像 y=1：子图像是人脸，为正图像
初始权值：正图像：1/2m
负图像： 1/2l
l：负图像的个数
m：正图像的个数 初始权值之和为1
Adaboost 算法流程
经过n次迭代之后，得到了最终的强分类器：
其中 i 为各次迭代过程中选择的弱分类器在最终强分类器中所占的话语权
t 0.5 t 1 t 0 如果子图像被某个错误率较大的弱分类器中被检测为人脸，则降低 强分类器中它被检测为人脸的可能性 t 0.5 t 1 t 0 如果子图像被某个错误率较小的弱分类器中被检测为人脸，则提 高强分类器中它被检测为人脸的可能性
报告
第三组
背景
用矩形模板提取特征
特征太多，计算起来很费时间
有效的分类器只需要一小部分特征 用Adaboost算法构造有效的分类器，选取这些特征
Adaboost算法 弱分类器
AdaBoost 是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器，即弱分类器。
弱分类器
Adaboost效率
设K：特征的数量
N：图像样本的数量
若弱分类器用单一特征进行训练，则一个图像样本用一个特征进行训练就能得到一个弱分类 器
所以弱分类器的数量为：K*N
Wrapper Method
1 每个特征训练每个图像样本，得到N*K个弱分类器 2 用得到的弱分类器评估每个图像，时间复杂度为O(NKN) 3 在评估的过程中选择弱分类器得到强分类器，强分类器包括M个特征，则需要循环M次，时 间复杂度为O(MNKN) Adaboost算法和它相比，降低了时间复杂度
Adaboost算法的优势
优势：学习速度快
实现：利用以前学习的结果（每次更新样本权值）
特点：用弱分类器评估每个图像的时间为常数 省略了wrapper method 的第二步
选取M个特征的强分类器的时间复杂度为O(MNK)
过程：每个特征值对应的图像样本根据特征值的大小进行排序
没看懂。。。。。。
第二个特征：眼睛区域的颜色比鼻梁的颜色要深
瓶颈：要提高检测的准确率就要加特征，但是加特征又会增加计算时间，降低检测效率
特征选择过程
用到一个非常大的特征集
把每个像素映射到一个d维的二进制向量，如果像素值为x，那么只有第x项为1，其余项为0
把每个像素的向量连接起来，形成一个nd维的二进制向量 给向量的每一项赋权值
学习结果
用Adaboost方法进行学习
第一个特征：眼睛区域的颜色比脸颊和鼻子区域要深
一种可行方法是根据单一特征建立分类器。 形式：h(x, f, p,θ)
组成：x：子图像
f ：feature 特征 p：polarity 极性（不等式的方向） θ：threshold 阈值
Adaboost 像，y代表子图像是否为人脸（实际上）
y=0：子图像不是人脸，为负图像 y=1：子图像是人脸，为正图像
初始权值：正图像：1/2m
负图像： 1/2l
l：负图像的个数
m：正图像的个数 初始权值之和为1
Adaboost 算法流程
经过n次迭代之后，得到了最终的强分类器：
其中 i 为各次迭代过程中选择的弱分类器在最终强分类器中所占的话语权
t 0.5 t 1 t 0 如果子图像被某个错误率较大的弱分类器中被检测为人脸，则降低 强分类器中它被检测为人脸的可能性 t 0.5 t 1 t 0 如果子图像被某个错误率较小的弱分类器中被检测为人脸，则提 高强分类器中它被检测为人脸的可能性
报告
第三组
背景
用矩形模板提取特征
特征太多，计算起来很费时间
有效的分类器只需要一小部分特征 用Adaboost算法构造有效的分类器，选取这些特征
Adaboost算法 弱分类器
AdaBoost 是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器，即弱分类器。
弱分类器
Adaboost效率
设K：特征的数量
N：图像样本的数量
若弱分类器用单一特征进行训练，则一个图像样本用一个特征进行训练就能得到一个弱分类 器
所以弱分类器的数量为：K*N
Wrapper Method
1 每个特征训练每个图像样本，得到N*K个弱分类器 2 用得到的弱分类器评估每个图像，时间复杂度为O(NKN) 3 在评估的过程中选择弱分类器得到强分类器，强分类器包括M个特征，则需要循环M次，时 间复杂度为O(MNKN) Adaboost算法和它相比，降低了时间复杂度
Adaboost算法的优势
优势：学习速度快
实现：利用以前学习的结果（每次更新样本权值）
特点：用弱分类器评估每个图像的时间为常数 省略了wrapper method 的第二步
选取M个特征的强分类器的时间复杂度为O(MNK)
过程：每个特征值对应的图像样本根据特征值的大小进行排序
没看懂。。。。。。