OpenCV中的Haar+Adaboost(五):AdaBoost之DAB与GAB
http://lib.csdn.net/article/opencv/29324(原文地址)
缩进之前的文章主要讲解了OpenCV中与检测相关的内容,包括Haar特征、积分图和检测分类器结构;之后的文章将逐步开始介绍训练相关的内容。
缩进本节主要介绍AdaBoost,以及AdaBoost中的DAB与GAB算法。
1 AdaBoost背景介绍
缩进在了解AdaBoost之前,先介绍弱学习和强学习的概念:
缩进弱学习:识别错误率小于1/2,即准确率仅比随机猜测略高的学习算法
缩进显然,无论对于任何分类问题,弱学习都比强学习容易获得的多。简单的说:AdaBoost就是一种把简单的弱学习拼装成强学习的方法。
缩进事实上,在opencv图像检测模块训练程序中实现了4种AdaBoost算法:DAB(Discrete AdaBoost),RAB(Real AdaBoost),LB(LogitBoost)与GAB(Gentle AdaBoost)。其中DAB即是AdaBoost.M1(AdaBoost.M2是DAB的多分类版本),GAB是opencv_traincascade.exe的默认AdaBoost方法。
2 DAB介绍
图2.1 M=1时
可以看到,当M=1循环结束时,直观上被f1误分类的样本权重变大(被f1错误分类的3个+变大),下次训练时则更加“重视”这几个样本。注意,更新权重后不要忘记权重归一化(权重具体值没有写出来,请读者自行推导)。
图2.2 M=2时
还是类似,加大被f2误分类的样本权重(这次是三个-)。
图2.3 M=3时
最后依照DAB原理中的输出F(x)公式,通过权重c1、c2和c3强弱分类器组成一个强分类器F:
F = 0.42 × + 0.65 × + 0.92 ×
可以看出循环M次则训练M个弱分类器,并由这M个分类器最终组成强分类器。但是M是有上限的,即不大于使全部样本被正确分类所需的弱分类器数量,例如图2例中M≤3。
缩进最后给出论文中DAB的原始版本:
3 RAB介绍
缩进在DAB中,弱分类器fm的输出为+1和-1,即绝对的判定样本为“正”或“负”;在RAB中,Pw(y=1|x)是样本为“正”的概率,再通过一个函数将概率[0,1]阈映射到实数阈R,并作为弱分类器fm的输出值。从DAB到RAB,实现了从“绝对”到“相似度”(即概率)的变化。限于篇幅,不再介绍RAB,请有兴趣的读者自行查阅论文和OpenCV代码。
4 GAB介绍
惯例,列出GAB算法的官方描述:
仔细观察可以发现,GAB和DAB有2处不同,解释如下:
1. DAB和GAB使用的分类器权重误差不一样,GAB是“weighted least-squares”,也就是上面的WSE。应该比较好理解。
2. DAB和GAB的弱分类器对样本xi的f(xi)不一样。DAB的f(xi)不是+1就是-1;而GAB的f(xi)输出的是一种类似于概率的值。
缩进为了说明,不妨设有x1~x5共5个样本,某次训练中选取了某个Feature来度量样本,对应的Feature value为h1~h5。然后选择某个阈值t将样本分为左+右两个部分。对于DAB,左边输出f(xi)=-1,右边f(xj)=+1;而GAB不同的是,此时左边输出f(xi)=Pleft,右边f(xj)=Pright,表示一种“加权离散度”。
获得f(xi)之后通过调整t的大小,使WSE最小,即可完成该次训练。其中最终的t就是之前的弱分类器阈值。具体GAB如何应用在训练中将在后续章节中讲解。