第5期 陈春燕，等：基于粒特征和连续Adaboost的人脸检测 ·449· 8·={0|0=arg maxose:(Fe(0)）, 本.然后更新所有在线工作集的权重。 i a,d,r. (15) 2.2基于大验证集阈值调整 每轮启发式搜索产生3个新的更好的特征，若 在Boosting动态级联检测器训练过程中，每个 干轮后，一个具有判别性的特征集就构建出来了.整 特征都分配一个拒绝阈值.人脸检测时，检测窗在每 个粒空间的弱分类器的学习过程如下： 轮都会有一个输出值，将输出值与所在层的拒绝阈 1)输入： 值相比较，输出值低的认为是非人脸，检测结束，输 {x:}为训练数据；{o:}为样本权重；⊙r={01, 出值高的进入下一层继续进行判断.大多数正负样 …,0m}为粒空间的Haar特征；n为最初的开集中特 本可以通过t层的级联分类器进行分类，但是在正 征数目. 负样本的交界处存在某些样本，在经过t层级联后 2)初始化： 仍然难以区分.一般而言，降低级联分类器每轮的阈 将比较好的Haar特征放入开集中： 值，可以提高检测率，但也会相应增加错检率.合理 。H0:∈0，H0∈8r-0, 扔掉一些跟负样本接近的正样本，可以在保证一定 0=30 Frite(:)≥Fama(g,) 目标检测率的情况下降低阈值并提高检测率[1]， 当101=n,弱学习过程为 在Boosting级联训练的前期多丢掉一些正样 a)调用前文启发式搜索过程来构建一个稀疏 本，即拒绝阈值提高一点，可以提高检测速度，但是 特征集合⊙； 降低了检测率，反之会减慢检测速度，提高检测率 b)对每一个粒特征0：∈⑧·，采用前文连续Ad 通过一个较大的验证集，可以得到一个比较合适的 aboost算法以获得一个弱分类器h(x,0:); 阈值，使分类器达到一个良好的推广性.为在速度和 c)找到具有最高F值的那个弱分类器： 检测精度上寻得平衡，采用一个经验的指数方程] h(x,0)=arg max(.(Fatem ()) 来控制每轮的样本拒绝率V: 3)输出： fke-a(i-vr) V.= a<0; (16) 输出本轮学习出的弱分类器h(x,0)及相应的 a≥0. 最好特征a. 式中：T为总的迭代轮数，k是归一化因子，α是自行 2 Boosting动态级联训练框架 设置的参数，用于平衡速度和精度，一般来说α取 -1比较好. 使用大样本训练集能覆盖训练样本尽可能多的 本文在正的验证集S,上来调整第t轮检测器 变化，是检测器获得良好推广性的保证.由于传统的 H(x)的拒绝阈值日，以达到目标检测率.移除第t Boosting级联结构的限制，处理大样本训练集时需 轮在线工作集中拒绝的误认为是负样本的正样本. 要耗费很大的内存及计算.本文采用动态级联结构 这一方法能提高训练收敛率，使得检测器具有更少 来进行大样本集的人脸检测器的训练， 的特征 2.1更新在线工作集 2.3基于连续Adaboost的动态级联学习 动态级联算法是用来解决训练过程中使用大样 本节目的在于寻找一个弱分类器集合并将它们 本集的一个有效方法.在训练中，并不是直接从整个 组合在一起，构成强分类器.最初的Adaboost算法 训练数据集来学习，而是使用一个很小的子集训练 采用的是二值断言，损失了大量具有判别性的信息 集，称为“在线工作集”)，也称“动态工作集”.在 因而，选择连续Adaboost算法，它采用具有连续置 每轮训练中，通过Bootstrap1B,1s]对在线数据集进行 信度输出的弱分类器并将特征空间映射到实值空 更新以保持在线数据集对整个训练数据集的覆盖： 间.整个动态级联学习算法如下. 即在第t轮时，运用训练出的检测器H,在离线正样 1)输入： 本集中更新所有样本权重，移除具有较小权重的样 输入S={x:y},训练集i=1,…,N,y:∈{-1， 本（总权重的10%被移除）.然后随机抽取N。正样 1}；P为S中所有的正样本集；Q为S中所有的负 本形成新的在线正样本工作集P。·在在线负样本集 样本集；S,为正的验证集；目标检测率D,弱分类 Q。中，移除具有较小权重的样本（总权重的10%被 器的目标数目Tf,为动态工作集更新率(f决定在 移除).重复使用检测器H,从离线负样本集Q中进 线工作集的更新频率). 行Bootstrap,直到在线负样本集中具有N,个负样 2)工作集初始化：