一、Haar特徵原理綜述

Haar特徵是一種反映影象的灰度變化的，畫素分模組求差值的一種特徵。它分為三類：邊緣特徵、線性特徵、中心特徵和對角線特徵。用黑白兩種矩形框組合成特徵模板，在特徵模板內用 黑色矩形畫素和 減去 白色矩形畫素和來表示這個模版的特徵值。例如：臉部的一些特徵能由矩形模組差值特徵簡單的描述，如：眼睛要比臉頰顏色要深，鼻樑兩側比鼻樑顏色要深，嘴巴比周圍顏色要深等。但矩形特徵只對一些簡單的圖形結構，如邊緣、線段較敏感，所以只能描述在特定方向（水平、垂直、對角）上有明顯畫素模組梯度變化的影象結構。

如上圖A、B、D模組的影象Haar特徵為：v=Sum白-Sum黑 C 模組的影象Haar特徵為：v=Sum白(左)+Sum白(右)-2*Sum黑 這裡要保證白色矩形模組中的畫素與黑色矩形的模組的畫素數相同，所以乘2

對於一幅影象來說，可以通過通過改變特徵模板的大小和位置，可窮舉出大量的特徵來表示一幅影象。上圖的特徵模板稱為“特徵原型”；特徵原型在影象子視窗中擴充套件（平移伸縮）得到的特徵稱為“矩形特徵”；矩形特徵的值稱為“特徵值”。例如在24*24大小的影象中可以以座標（0，0）開始寬為20高為20矩形模版計算上圖A特徵，也可以以座標（0，2）開始寬為20高為20矩形模版計算上圖A特徵，也可以以座標（0，0）開始寬為22高為22矩形模版計算上圖A特徵，這樣矩形特徵值隨著類別、大小和位置的變化，使得很小的一幅很小的影象含有非常多的矩形特徵。矩形特徵值是矩形模版類別、矩形位置和矩形大小這三個因素的函式。

二、AdaBoost分類器

AdaBoost是典型的Boosting演算法，屬於Boosting家族的一員。在說AdaBoost之前，先說說Boosting提升演算法。
Boosting演算法是將“弱學習演算法“提升為“強學習演算法”的過程，主要思想是“三個臭皮匠頂個諸葛亮”。一般來說，找到弱學習演算法要相對容易一些，然後通過反覆學習得到一系列弱分類器，組合這些弱分類器得到一個強分類器。Boosting演算法要涉及到兩個部分，加法模型和前向分步演算法。加法模型就是說強分類器由一系列弱分類器線性相加而成。一般組合形式如下：

其中，h(x;am) 就是一個個的弱分類器，am是弱分類器學習到的最優引數，βm就是弱學習在強分類器中所佔比重，P是所有am和βm的組合。這些弱分類器線性相加組成強分類器。

前向分步就是說在訓練過程中，下一輪迭代產生的分類器是在上一輪的基礎上訓練得來的。也就是可以寫成這樣的形式：

由於採用的損失函式不同，Boosting演算法也因此有了不同的型別，AdaBoost就是損失函式為指數損失的Boosting演算法。

AdaBoost 原理理解 基於Boosting的理解，對於AdaBoost，我們要搞清楚兩點：

每一次迭代的弱學習h(x;am)有何不一樣，如何學習？ 弱分類器權值βm如何確定？ 對於第一個問題，AdaBoost改變了訓練資料的權值，也就是樣本的概率分佈，其思想是將關注點放在被錯誤分類的樣本上，減小上一輪被正確分類的樣本權值，提高那些被錯誤分類的樣本權值。然後，再根據所採用的一些基本機器學習演算法進行學習，比如邏輯迴歸。

對於第二個問題，AdaBoost採用加權多數表決的方法，加大分類誤差率小的弱分類器的權重，減小分類誤差率大的弱分類器的權重。這個很好理解，正確率高分得好的弱分類器在強分類器中當然應該有較大的發言權。

例項解釋

為了加深理解，我們來舉一個例子。

有如下的訓練樣本，我們需要構建強分類器對其進行分類。x是特徵，y是標籤。

序號	0	1	2	3	4	5	6	7	8	9	10
x	0	1	2	3	4	5	6	7	8	9	10
y	1	1	1	-1	-1	-1	1	1	1	-1

令權值分佈D1=(w1,1,w1,2,…,w1,10)

並假設一開始的權值分佈是均勻分佈：w1,i=0.1，i=1,2,…,10

現在開始訓練第一個弱分類器。我們發現閾值取2.5時分類誤差率最低，得到弱分類器為：

當然，也可以用別的弱分類器，只要誤差率最低即可。這裡為了方便，用了分段函式。得到了分類誤差率e1=0.3。

第二步計算(G1(x)在強分類器中的係數

這個公式先放在這裡，下面再做推導。

第三步更新樣本的權值分佈，用於下一輪迭代訓練。由公式：

得到新的權值分佈，從各0.1變成了:

D2=(0.0715,0.0715,0.0715,0.0715,0.0715,0.0715,0.1666,0.1666,0.1666,0.0715)

可以看出，被分類正確的樣本權值減小了，被錯誤分類的樣本權值提高了。

第四步得到第一輪迭代的強分類器：

以此類推，經過第二輪……第N輪，迭代多次直至得到最終的強分類器。迭代範圍可以自己定義，比如限定收斂閾值，分類誤差率小於某一個值就停止迭代，比如限定迭代次數，迭代1000次停止。這裡資料簡單，在第3輪迭代時，得到強分類器：

的分類誤差率為0，結束迭代。

F(x)=sign(F3(x))就是最終的強分類器。

演算法流程

總結一下，得到AdaBoost的演算法流程：

輸入：訓練資料集

其中，

迭代次數M

1. 初始化訓練樣本的權值分佈：

2.對於m=1,2,…,M
(a)使用具有權值分佈Dm的訓練資料集進行學習，得到弱分類器Gm(x)
(b)計算Gm(x)在訓練資料集上的分類誤差率：

(c)計算Gm(x)在強分類器中所佔的權重：

(d)更新訓練資料集的權值分佈（這裡，zm是歸一化因子，為了使樣本的概率分佈和為1）：

3.得到最終分類器：

公式推導

現在我們來搞清楚上述公式是怎麼來的。

假設已經經過m−1輪迭代，得到Fm−1(x)，根據前向分步，我們可以得到：

我們已經知道AdaBoost是採用指數損失，由此可以得到損失函式：

這時候，Fm−1(x)是已知的，可以作為常量移到前面去:

其中，

敲黑板！這個就是每輪迭代的樣本權重！依賴於前一輪的迭代重分配。

是不是覺得還不夠像？那就再化簡一下：

現在夠像了吧？ok，我們繼續化簡Loss：

公式變形之後，炒雞激動!

這個不就是分類誤差率em嗎？？？！重寫一下，

Ok，這樣我們就得到了化簡之後的損失函式。接下來就是求導了。

對αm求偏導，令

得到：

AdaBoost分析原文連結：https://www.cnblogs.com/ScorpioLu/p/8295990.html

三、例項

detectMultiScale()

引數

• InputArray image,待檢測圖片，一般為灰度影象加快檢測速度；
• std::vector< Rect > & objects,被檢測物體的矩形框向量組；為輸出量，如人臉檢測矩陣Mat
• double scaleFactor,表示在前後兩次相繼的掃描中，搜尋視窗的比例係數。預設為1.1即每次搜尋視窗依次擴大10%;一般設定為1.1
• int minNeighbors,表示構成檢測目標的相鄰矩形的最小個數(預設為3個)。 如果組成檢測目標的小矩形的個數和小於 min_neighbors - 1 都會被排除。 如果min_neighbors 為 0, 則函式不做任何操作就返回所有的被檢候選矩形框， 這種設定值一般用在使用者自定義對檢測結果的組合程式上；
• int flags,要麼使用預設值，要麼使用CV_HAAR_DO_CANNY_PRUNING，如果設定為CV_HAAR_DO_CANNY_PRUNING，那麼函式將會使用Canny邊緣檢測來排除邊緣過多或過少的區域，因此這些區域通常不會是人臉所在區域；
• Size minSize,最小尺寸，用來限制得到的目標區域的範圍。
• Size maxSize,最大尺寸，用來限制得到的目標區域的範圍。

import cv2
import numpy as np
face_xml = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_xml = cv2.CascadeClassifier('haarcascade_eye.xml')
# 載入檔案
# 檔案來源：https://juejin.im/post/5afd25b66fb9a07aa34a775f
img = cv2.imread('timg.jpg')
# 載入圖片
cv2.imshow('src',img)
# 列印圖片
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 進行灰色處理
faces = face_xml.detectMultiScale(gray,1.3,5)
# 檢測出圖片的人臉
print('face=',len(faces))
# 列印檢測出了多少個人臉

for (x,y,w,h) in faces:
# 繪製每一個人臉
    cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
    # 給人臉繪製矩形
    roi_face = gray[y:y+h,x:x+w]
    roi_color = img[y:y+h,x:x+w]
    # 識別人臉
    eyes = eye_xml.detectMultiScale(roi_face)
    # 識別眼睛
    print('eye=',len(eyes))
    # 列印檢測出了多少個眼睛
    for (e_x,e_y,e_w,e_h) in eyes:
        cv2.rectangle(roi_color,(e_x,e_y),(e_x+e_w,e_y+e_h),(0,255,0),2)
        # 給眼睛繪製矩形
cv2.imshow('dst',img)
# 列印繪製後圖片
cv2.waitKey(0)
複製程式碼

原圖：

結果：

face= 4
eye= 2
eye= 2
eye= 1
eye= 2
複製程式碼