人脸检测中的演算法算法,供大家参考,具体内容如下
<强>第一章:引言,,,
2017.7.31。英国测试人脸识别技术,不需要排队购票就能刷脸进站。据BBC新闻报道,这项英国政府铁路安全标准委员会资助的新技术,由布里斯托机器人实验室(英国布里斯托机器人实验室)负责开发。这个报道可能意味着我们将来的生活方式。虽然人脸识别技术已经研究了很多年了,比较成熟了,但是还远远不够,我们以后的目标是通过识别面部表情来获得人类心理想法只,长期以来,计算机就好像一个盲的人,需要被动地接受由键盘,文件输入的信息,而不能主动从这个世界获取信息并自主处理。人们为了让计算机看到这个世界并主动从这个世界寻找信息,发展了机器视觉;为了让计算机自主处理和判断所得到的信息,发展了人工智能科学。人们梦想,终有一天,人机之间的交流可以像人与人之间的交流一样畅通和友好只,而这些技术实现的基础是在人脸检测上实现的,下面是我通过学习基于演算法算法的人脸检测,赵楠的论文的学习心得。
<强>第二章:关于自适应Boosting
演全称为适应Boosting.Adaptively,即适应地,该方法根据弱学习的结果反馈适应地调整假设的错误率,所以演算法不需要预先知道假设的错误率下限.Boosting意思为提升,加强,现在一般指将弱学习提升为强学习的一类算法。实质上,演算法算法是通过机器学习,将弱学习提升为强学习的一类算法的最典型代表。
<强>第三章:演算法算法检测人脸的过程
先上一张完整的流程图、下面我将对着这张图作我的学习分享:
<强> 1。术语名词解析:
弱学习,强学习:随机猜测一个是或否的问题,将会有50%的正确率。如果一个假设能够稍微地提高猜测正确的概率,那么这个假,,设就是弱学习算法,得到这个算法的过程称为弱学习。可以使用半自动化的方法为好几个任务构造弱学习算法,构造过程需要数量巨大的假设集合,这个假设集合是基于某些简单规则的组合和对样本集的性能评估而生成的。如果一个假设能够显著地提高猜测正确的概率,那么这个假设就称为强学习。特征模版:我们将使用简单矩形组合作为我们的特征模板。这类特征模板都是由两个或多个全等的矩形相邻组合而成,特征模板内有白色和黑色两种矩形(定义左上角的为白色,然后依次交错),并将此特征模板的特征值定义为白色矩形像素和减去黑色矩形像素和。最简单的5个特征模板:
下面列出了,在不同子窗口大小内,特征的总数量:
积分图:主要是为了利用积分图计算矩形特征值,提高程序运行效率。下面给出非常形象的积分图的来计算矩形特征值:
区域D的像素和可以用积分图计算为:K1 + K4 - (K2 + K3)
K1=区域一个的像素值
K2=区域一个的像素值+区域B的像素值
K3=区域一个的像素值+区域C的像素值
K4=区域一个的像素值+区域B的像素值+区域C的像素值+区域D的像素值
<强> 2。算法基本描述
对照上面的流程图:一个给定一系列训练样本,B初始化权重,C归一化权重,都挺好理解的。我现在需要着重说的是接下来的步骤,即如何选取,训练弱分类器:
现在我们假设我们的计算机读取一张图片进来,在这张图片上遍历所有的特征,(例如20 x20像素的图片,一共78460个有特征),当遍历到x个特征时,计算该特征在所有的训练样本中(人的脸和非人脸图)的特征值。并且将这些特征值排序,通过扫描一遍排好序的特征值,可以为这个特征确定一个最优的阈值,从而训练成一个弱分类器。那么为什么扫描一遍就可以得出最优阈值?因为在扫描到每一个特征值时,当选取当前元素的特征值和它前面的一个特征值之间的数作为阈值时,计算这个阈值所带来的分类误差为
,,,,,,,,,,,,,,,,e=min (S 1 + (T 2 - S 2), S2 + (T 1 - S 1))
