Adaboost CascadeClassifier | Haar Classifier | 筆記

• Adaboost
• Cascade 級聯｜CascadeClassifier 級聯分類器
• Haar 特徵
• 積分圖（IntegralImage）

探討
由 2001 年發表的論文 ”Rapid Object Detection using a Boosted Cascade of Simple Features” “Robust Real-Time Face Detection”提出的目標檢測方法

• 運作流程

Adaboost

判斷人臉和非人臉的強分類器（透過大量的 帶臉、不帶臉 的圖片訓練而來）

從弱學習（較粗糙的分類器）反覆學習，得到弱分類器（本身不能對圖像進行分類），再將弱分類器組組合成一個強分類器（來進行判別）

• 論文中使用 adaboost 後的效益：
  只需要 200 個特徵就能達到 95% 精確，而最終特徵是 6000 個，從 16萬個縮減到 6000 個特徵已有很大的進步。

src:https://blog.csdn.net/u012535605/article/details/72876968

更詳細請參考：

【机器学习】adaboost算法_人工智能_gogo小Sa的专栏-CSDN博客

Cascade 級聯｜CascadeClassifier 級聯分類器

將特徵分組並分階段，只要沒有通過此階段就直接捨去，省下要跑完全部特徵的時間。
📌就像弱化的決策樹（因為一般決策樹兩個分支會再有新的兩個分支，但這邊只有一個）

src:https://blog.csdn.net/stdcoutzyx/article/details/34842233

• 論文為例：
  將 6000 個特徵分為 38 個篩選階段，從第一階從少量特徵開始判斷（Ex：前五階特徵數1, 10, 20, 25, 50），一旦判斷不是人臉就直接捨棄不會進到下一階段，來節省資源以及時間，平均只需從 6000 多個特徵中的 10 個來評估是否為臉部區域。

Haar 特徵

透過（子窗口）矩形不斷的滑動整張（窗口）圖片（類似卷積概念），每滑動一個位置就計算該區域特徵。

分為三種特徵：
1. 邊緣特徵 edge features
2. 線性特徵 line features
3. 中心環繞特徵和對角線性特徵 four-rectangles features

優點：
1. 容易訓練
2. 佔用資源少

缺點：
1. 沒有其他基於深度學習的模型來的強大

早期由 Viola 提出的 Haar 特徵 | 後期由 Rainer 提出更多的 haar 特徵

src:https://www.cnblogs.com/henuliulei/p/10719208.html

如何提取特徵？

將矩陣放置圖片上透過矩形中的白色像素和減去黑色像素和=特徵值
矩形為了把人臉特徵量化，以區分人臉和非人臉。

以論文中的圖片為例：
1. 圖 2 從矩陣中提取出眼睛
2. 圖 3 從矩陣中提取出鼻樑

積分圖（IntegralImage）

快速計算矩形區域和的方法（為了解決矩形每滑動一次就產生一個特徵這個超大的計算量）

優點：
積分圖像優先被算出來後，可以在常量時間內計算圖像中任意大小矩形區域的像素和。

“常量時間”：一種時間複雜度，表示某種算法求解過程中的時間是在固定範圍內，而不會因輸入的數據大小而改變。

更詳細可以參考：

积分图原理及实现_人工智能_洛的博客-CSDN博客

參考文獻

https://www.cnblogs.com/henuliulei/p/10719208.html