欢迎大家共同探讨有关boosting人脸检测算法

sweetjujube

在众多的人脸检测算法中，采用boosting和类harr小波的方法可能是最具实用意义的，所以吸引了很多研究者，从样本处理、样本选择、特征构造、弱分类器构造、弱分类器权重选择、样本权重的更新等方面提出了不少改进的算法，有的从论文提供的实验结果看不错，但理论上好象说不通。如弱分类器权重的设定，原始的算法采用1/2log(1-e)/e，这应该是局部最优的，但有些改进方法，在此基础上，再加一项与正样本检测率相关的，如清华的李闯《一种改进的AdaBoost 算法——AD AdaBoost》，从他的证明过程只能说明，加上该项将会使负样本的加权和H(x)比正样本的加权和增加的少；南京理工大学严云洋《基于特征空间划分的AdaBoost 人脸检测算法》，也做了类似调整，但没有证明，他的解释是在错误率e 相同的情况下, 提高权重 的值, 能加快训练过程的收敛, 并提高检测速度和精度。南加州的一些学者，在样本选择、样本处理等方面有些研究。对单个弱分类器的构造，有人提出过先对特征值进行排序，然后找到最佳的阈值；也有人对特征值区间进行分段，以段边界点作为阈值的可能值，这种方法提高了泛化和抗飞点能力，但还能找到最佳的阈值吗？另外，Jinxin Wu(Fast Asymmetric Learning for Cascade Face Detection)提出的“The Forward Feature Selection algorithm”，需要建一个MXN大数组来存每个样本的每个特征，是够耗资源的。本人在此旨在抛砖引玉，欢迎大家讨论有关boosting人脸检测算法，提供各种改进思路，或者把所看的贴出来交流交流。

bebekifis

说一点个人的感觉吧:

人脸的检测在一个粗的范围内已经是close problem了.

现在的问题大多不是人脸本身的,比如远距离,或者是角度偏转较大的.

Boost或者Adaboost作为一种分类器来说已经是很优秀的了,haar对于描述人脸这种结构很明显的图像有着非常好的性能.

想要得到比目前更好的效果的算法个人认为单纯的改进boost或者haar并不能得到大的提升.

现在比较关注于在特征空间中选择更好的特征来描述人脸, 我觉得Adaboost已经是一种极为优秀的分类器框架了.

sweetjujube

Adaboost作为一种分类器框架确实是非常优秀，我看Jinxin Wu08年发的文章(Fast Asymmetric Learning for Cascade Face Detection)逗了一大圈，性能也没什么改进，与在adaboost中把特征值提到循环外先做排序比起来，时间的复杂度也差不多。不过Adaboost就是训练速度实在是太慢了，有没有方法先剔除一部分对分类贡献不大的特征？