| 主权项 |
动态百分比特征裁剪AdaBoost人脸检测算法，其特征在于，在每次迭代开始的时候，首先确定所需裁剪特征个数的百分比f，之后根据弱分类器错误率的大小，选用分类性能好的特征参与下一轮训练；当训练得到的本次迭代的最佳弱分类器错误率大于随机抽取值，通过减小本次迭代的裁剪系数，扩大参与训练的特征个数；如果当采用全部特征进行训练时，错误率仍然超过0.5，则停止迭代；具体算法包括如下步骤：步骤一：设输入的训练样本总数为N，其中负样本为m个，正样本为n个，训练样本集为S＝{(x<sub>1</sub>,y<sub>1</sub>),...(x<sub>n,</sub>y<sub>n</sub>)}，其中x<sub>i</sub>表示第i个样本，y<sub>i</sub>＝{1,0}，分别用于标识正负样本；步骤二：初始化样本权重：<img file="dest_path_FDA0000815235080000011.GIF" wi="400" he="276" />步骤三：假设每一轮舍去的样本百分比为f，那么每一轮参与训练的样本个数为N×(1‑f)，迭代次数t＝1,2,…,T；步骤四：获取最优弱分类器，求得弱分类器h<sub>t</sub>在强分类器中的加权系数α<sub>t</sub>，方法如下：步骤401：归一化样本的权重值：<img file="dest_path_FDA0000815235080000012.GIF" wi="314" he="219" />步骤402：针对每个特征j，训练一个简单弱分类器h<sub>j</sub>(x,f<sub>j</sub>,p<sub>j</sub>,θ<sub>j</sub>)：<img file="dest_path_FDA0000815235080000013.GIF" wi="701" he="167" />其中，f<sub>j</sub>(x)为特征值，p<sub>j</sub>表示不等号方向，θ<sub>j</sub>为弱分类器阈值；步骤403：选择最小错误率对应的弱分类器h<sub>t</sub>(x)，其中最小错误率定义为：<img file="dest_path_FDA0000815235080000021.GIF" wi="784" he="133" />步骤404：如果ε<sub>t</sub>＝0或者在第一轮训练时就出现ε<sub>t</sub>≥0.5，则令T＝t‑1，跳到步骤六；如果ε<sub>t</sub>≥0.5且不是第一轮，则令T＝t‑1，判断f是否大于2/3，若大于则令f＝2×f‑1，否则令f＝f/2跳转到步骤五；步骤405：更新样本权重：<img file="dest_path_FDA0000815235080000022.GIF" wi="362" he="109" />当样本x<sub>i</sub>被错误分类时e<sub>i</sub>＝0，反之e<sub>i</sub>＝1，<img file="dest_path_FDA0000815235080000023.GIF" wi="268" he="146" />步骤406：求得弱分类器h<sub>t</sub>在强分类器中的加权系数：<img file="dest_path_FDA0000815235080000024.GIF" wi="339" he="160" />步骤五：对每个特征的分类误差从大到小进行排序：假如t＝1，则根据裁剪的百分比f，裁剪掉参与训练的特征中分类误差大的前n×f个特征，如果t>1，除了裁剪掉参与训练的特征中分类误差大的前n×f个特征外，还需要将上一轮中未参与训练的特征加入到下一轮的训练当中；步骤六：输出强分类器：<img file="dest_path_FDA0000815235080000025.GIF" wi="644" he="255" /> |
