Viola Jones / AdaBoost 的学习阶段

Question

我在理解Viola Jones algorithm 的训练阶段时遇到问题。

据我所知，我用伪代码给出算法：

# learning phase of Viola Jones
foreach feature # these are the pattern, see figure 1, page 139
    # these features are moved over the entire 24x24 sample pictures
    foreach (x,y) so that the feature still matches the 24x24 sample picture
        # the features are scaled over the window from [(x,y) - (24,24)]
        foreach scaling of the feature
            # calc the best threshold for a single, scaled feature
            # for this, the feature is put over each sample image (all 24x24 in the paper)
            foreach positive_image
                thresh_pos[this positive image] := HaarFeatureCalc(position of the window, scaling, feature)
            foreach negative_image
                thresh_neg[this negative image] := HaarFeatureCalc(position of the window, scaling, feature)
            #### what's next?
            #### how do I use the thresholds (pos / neg)?

这是，顺便说一句，在这个 SO 问题中的框架：Viola-Jones' face detection claims 180k features

这个算法调用了 HaarFeatureCalc 函数，我想我明白了：

function: HaarFeatureCalc
    threshold := (sum of the pixel in the sample picture that are white in the feature pattern) -
        (sum of the pixel in the sample picture that are grey in the feature pattern)
    # this is calculated with the integral image, described in 2.1 of the paper
    return the threshold

到目前为止有什么错误吗？

Viola Jones 的学习阶段，主要是检测哪些特征/检测器是最具决定性的。我不明白论文中描述的 AdaBoost 是如何工作的。

问题：论文中的 AdaBoost 在伪代码中看起来如何？

Answer 1

维奥拉·琼斯：

• 首先您将硬编码 180k 分类器（特征）
• 最初所有训练数据都将具有相同的权重
• 现在每个分类器（特征）都将应用于您拥有的每个训练数据
• 每个特征都会将您的训练数据分类为人脸或非人脸
• 根据每个特征的分类，您将计算误差
• 在计算每个特征的误差后，您选择误差最远离 50% 的特征，我的意思是，如果您有一个特征有 90% 的误差，而另一个特征有 20% 的误差，那么您将选择具有 90% 错误的特征并将其添加到强分类器中
• 您将更新每个训练数据的权重
• 现在您将重复该过程，直到使用您构建的强分类器为您的验证数据获得很好的准确性
• AdaBoost 是一种从弱分类器中生成强分类器的技术