关于adaboost+haar特征实现人脸检测过程的一些细节问题

Question

本人在用C语言编写基于adanboost算法和haar特征的人脸检测代码时遇到一些问题，所以想请教一下各位，问题如下：
1.在训练阶段，是否把每一训练的图片都调整为相同的大小（我找的人脸库图片大小稍微有差距的）。
2.在训练阶段，如果我没有理解错的话是对同一特征模板，固定位置和大小（一个固定位置的窗口，这也是我问题1的由来），然后拿这个窗口遍历所有样本，求出对应的特征值，然后改变窗口的大小和位置。重复前面的步骤。得到了不同位置，不同大小的同一特征模板下所有样本的特征值。然后再通过实验找出这堆特征值之中的最佳阈值给分类器，这样就得到了基于一种haar特征的分类器。然后更换特征模板，重复上述步骤，得到了很多种haar特征模板的分类器。然后用这些分类器合成第一个弱分类器，用这个弱分类器对所有的样本进行投票，记录投票结果，然后更新样本权重，使用带有权重的样本训练第二个分类器，重复上述步骤，最后结合成一个强分类器。
我想知道我所理解的过程有没有问题？
3.第三个问题，来源于第二个问题我描述的过程中，有一个做法叫做更新样本权重，我不理解更新样本权重是什么意思，是把每个样本的新权重乘到灰度值上面吗？

Answer 1

基于Monster 组和GPT的调写：

• 1.在训练阶段，把所有的训练图片调整为相同的大小可以确保在特征计算时输入图像的大小一致，这有助于简化特征计算过程和降低计算复杂度。建议将所有的训练图片调整为相同的大小。

• 2.在训练阶段，你理解是正确的。对于每种Haar特征模板，要将其应用于所有训练样本的不同位置和尺度上，并计算特征值。然后，根据特征值和标签之间的关系，找到最佳的分类阈值，并将此Haar特征模板与该分类阈值结合起来形成一个基本分类器。用AdaBoost算法组合多个基本分类器形成强分类器。

• 3.在AdaBoost算法中，每个训练样本都有一个权重，初始时所有样本的权重相等。在训练过程中，AdaBoost算法根据当前分类器的性能，调整错误分类样本的权重，使得被错误分类的样本得到更高的权重，而被正确分类的样本得到更低的权重。所以，更新样本权重是指根据当前分类器的性能，重新计算每个样本的权重。更新样本权重不会影响图像的灰度值。

Answer 2

请提问

Answer 3

看了你的描述，还是有些地方不懂：
1.如果每一种haar特征和对应的最佳阈值都可以组成一个弱分类器，那更新样本权重后，下一轮的训练是用同一haar特征进行训练吗？
2.既然样本权重不加在灰度值上，那它是加在哪里？每一个样本都要被遍历，应该不会是概率的意思吧。

Answer 4

• 1.AdaBoost算法中，每一轮训练都是针对一个特定的Haar特征和对应的最佳阈值来进行滴，所以，在下一轮训练中会用不同的Haar特征和对应的最佳阈值进行训练，而不是用上一轮训练中使用的Haar特征和对应的最佳阈值。所以说，在更新样本权重后，下一轮的训练会用不同的Haar特征进行训练。

• 2.AdaBoost算法中，每个样本都有一个权重，这个权重是来表示当前样本对于分类器的重要性。样本权重不会直接的加在灰度值上，而是作为一个额外的权重项，与灰度值一起用于计算每个Haar特征的特征值。在更新样本权重时，会根据上一轮的分类结果，调整每个样本的权重，让被错误分类的样本得到更高的权重，而被正确分类的样本得到更低的权重。目的就是为让得下一轮训练中，分类器更加关注被错误分类的样本，来提高分类器的准确性。