基于Haar的人脸检测Adaboost级联结构

引言：

前一部分内容对矩形特征以及积分图的基本概念进行了简要说明，接下来将借助积分图的相关特性，用于在人脸检测算法中完成弱分类器的选择过程。

Haar分类器属于一种监督学习模型。为了实现目标的识别，首先需要对图像实施直方图均衡化处理，并将其尺寸统一至相同规格，随后在图像中标注是否存在待检测的目标对象，因此在人脸检测任务中同样适用这一流程。

Haar分类器采用AdaBoost算法进行训练，但其结构被设计为一种筛选型的级联分类体系。其中每个层级由多个决策树构成的分类单元组成，并且各层级具备较高的识别准确度。在任意一层的计算过程中，若得出“不属于目标类别”的判断结果，则整个计算过程将立即终止。只有当所有层级均通过验证时，才会确认目标已被成功检测到。这种结构的优势在于，在目标出现频率较低的情况下（例如人脸在图像中的占比较小），筛选型级联分类器能够有效减少计算资源的消耗，因为绝大多数非目标区域能够在早期阶段就被快速排除，从而迅速判定该区域不包含需要检测的对象。

图1 物体检测流程结构示意图

1、Boosting提升算法简述

Boosting算法中包含两个关键概念，即弱学习