haar+adaboost结合讲解（偏重原理）

【这是一篇之前总结的文档，大部分来源于csdn和文献，如有未标明引用，请联系我加上。】

目录

1 Adaboost方法的引入

1.1 Boosting方法的提出和发展

1.2 AdaBoost算法的提出

1.3 级联分类器介绍

2 矩形特征

2.1 Haar特征\矩形特征

2.2 子窗口内的条件矩形，矩形特征个数的计算

2.3条件矩形的数量

3 积分图

3.1 积分图的概念

3.2 利用积分图计算特征值

3.3计算特征值

4 级联分类器与检测过程

4.1 弱分类器

4.2 训练强分类器

4.3弱分类器使用Haar特征进行分类

4.4 弱分类器的训练及选取

4.5 强分类器

4.6 图像检测过程

1 Adaboost方法的引入

1.1 Boosting方法的提出和发展

在了解Adaboost方法之前，先了解一下Boosting方法。

回答一个是与否的问题，随机猜测可以获得50%的正确率。如果一种方法能获得比随机猜测稍微高一点的正确率，则就可以称该得到这个方法的过程为弱学习；如果一个方法可以显著提高猜测的正确率，则称获取该方法的过程为强学习。

1994年，Kearns和Valiant证明，在Valiant的PAC（ProbablyApproximately Correct）模型中，只要数据足够多，就可以将弱学习算法通过集成的方式提高到任意精度。实际上，1990年，SChapire就首先构造出一种多项式级的算法，将弱学习算法提升为强学习算法，就是最初的Boosting算法。

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。1993年，Drucker和Schapire首次以神经网络作为弱学习器，利用Boosting算法解决实际问题。前面指出，将弱学习算法通过集成的方式提高到任意精度，是Kearns和Valiant在1994年才证明的，虽然Boosting方法在1990年已经提出，但它的真正成熟，也是在1994年之后才开始的。1995年，Freund提出了一种效率更高的Boosting算法。

1.2 AdaBoost算法的提出

1995年，Freund和Schapire提出了Adaboost算法，是对Boosting算法的一大提升。Adaboost是Boosting家族的代表算法之一，全称为Adaptive 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Adaboost不需要预先知道假设的错误率下限。也正因为如此，它不需要任何关于弱学习器性能的先验知识，而且和Boosting算法具有同样的效率，所以在提出之后得到了广泛的应用。

首先，Adaboost是一种基于级联分类模型的分类器。级联分类模型可以用图1表示：

图1

1.3 级联分类器介绍

级联分类器就是将多个强分类器连接在一起进行操作。每一个强分类器都由若干个弱分类器加权组成，

例如，有些强分类器可能包含10个弱分类器，有些则包含20个弱分类器，一般情况下一个级联用的强分类器包含20个左右的弱分类器，然后在将10个强分类器级联起来，就构成了一个级联强分类器，这个级联强分类器中总共包括200弱分类器。因为每一个强分类器对负样本的判别准确度非常高，所以一旦发现检测到的目标位负样本，就不在继续调用下面的强分类器，减少了很多的检测时间。因为一幅图像中待检测的区域很多都是负样本，这样由级联分类器在分类器的初期就抛弃了很多负样本的复杂检测，所以级联分类器的速度是非常快的；只有正样本才会送到下一个强分类器进行再次检验，这样就保证了最后输出的正样本的伪正(falsepositive)的可能性非常低。

也有一些情况下不适用级联分类器，就简单的使用一个强分类器的情况，这种情况下一般强分类器都包含200个左右的弱分类器可以达到最佳效果。不过级联分类器的效果和单独的一个强分类器差不多，但是速度上却有很大的提升。

级联结构分类器由多个弱分类器组成，每一级都比前一级复杂。每个分类器可以让几乎所有的正例通过，同时滤除大部分负例。这样每一级的待检测正例就比前一级少，排除了大量的非检测目标，可大大提高检测速度。

其次，Adaboost是一种迭代算法。初始时，所有训练样本的权重都被设为相等，在此样本分布下训练出一个弱分类器。在第（=1,2,3,…T，T为迭代次数）次迭代中，样本的权重由第-1次迭代的结果而定。在