[发明专利]一种基于AdaBoost的人脸检测分类器构造方法

权利要求书

1.一种基于AdaBoost的人脸检测分类器构造方法，其特征在于按以下具体步骤实现：

步骤1：定义一个包含人脸与非人脸的样本集合(x₁,y₁),...,(x_n,y_n)，其中y_n对应于正、负样本分别取值为1和-1；人脸样本为正样本，非人脸样本为负样本；

步骤2：初始化正负样本权重分布为w_1,i＝1/n，i＝1,...,n；

步骤3：对于t＝1,...,T：

3-1：在当前的分布w_1,i下，针对每个单Haar特征训练一个弱分类器，其中包括新增的Haar特征，并从中选取错误率最小的一个作为此次循环的弱分类器h_t；

3-2：对选中的h_t：X→Y,计算加权错误率：

3-3：求解弱分类器h_t的加权参数

3-4：为下轮循环更新样本的权重：

其中，WH_t是样本更新的权重阈值，WN是大权重样本的轮数阈值，N是大于权重阈值样本的轮数计数，Z_t是归一化因子，即

步骤4：经过步骤3循环，得到一系列弱分类器，最后组合成的强分类器为

2.根据权利要求1所述的基于AdaBoost的人脸检测分类器构造方法，其特征在于，所述步骤3-1中，在训练弱分类器所用到的Haar特征集中添加新的特征，该特征更加重视脸部器官的全局分布，并且，对于脸部30°至60°的左右旋转有着很好的鲁棒性。

3.根据权利要求1所述的基于AdaBoost的人脸检测分类器构造方法，其特征在于，所述步骤3-4中，引入了双阈值来限制样本权重的增长；首先是权重阈值WH_t，在错分样本权重不断增大的过程中，当样本的权重大于WH_t时，则该样本在之后仍被错分的情况下保持权重大小不变，同时，对这些样本的错分轮数开始计数，每更新一轮，若权重依旧大于权重阈值则计数加1，当计数超过轮数阈值WN时，将该样本的权重缩小到初始权重大小1/n，若计数期间该样本的权重缩小到比权重阈值WH_t小，则计数归零。