如果在 Viola-jones 人脸检测方法中，每一轮 boosting 都选择相同的 Haar 特征怎么办？答案

【问题标题】：What if each round of boosting selects same Haar-feature in Viola-jones face detection method?如果在 Viola-jones 人脸检测方法中，每一轮 boosting 都选择相同的 Haar 特征怎么办？
【发布时间】：2013-11-11 09:05:29
【问题描述】：

我正在实施 Viola-Jones 人脸检测来检测人脸。在使用 Adaboost 进行训练时，boosting round 会选择相同的 haar 特征。例如，如果前三轮选择的 Haar 特征 (x,y,w,h,f,p) 是 (0,0,4,2,1,0) 、(1,3,5,2,3,1) 和 (2,4,7,2,4,1)，那么对于剩下的一轮提升，它选择相同的 haar 特征，这样我的列表选定的 Haar-feature 变为，

[(0,0,4,2,1,0),(1,3,5,2,3,1),(2,4,7,2,4,1),(1,2,4,8,1,0),(1,2,4,8,1,0),(1,2,4,8,1,0),(1,2,4,8,1,0),(1,2,4,8,1,0)]。

这里， x,y = x_y coordinate, w = width of Haar-feature, h = height of Haar-feature, f = feature type, p = parity of Haar-feature.

我的问题：

1) 如果每一轮boosting选择相同的Haar-feature，我应该选择下一个具有相对最小误差的Haar-feature。

谢谢！

【问题讨论】：

标签： adaboost haar-wavelet viola-jones

【解决方案1】：

不，你不应该。 Adaboost 确实可以在每次 boosting 运行中多次选择相同的特征，但通常该特征会有不同的权重值（alpha 值）。

您得到的结果可能有许多不同的原因。例如，您的 Adaboost 代码中可能存在错误。您的特征或弱分类器中也可能存在错误。或者你没有为你的提升算法提供足够的样本。或者，你的弱分类器太弱了。或者你的强分类器过拟合非常快。

【讨论】：

我使用了 2500 个正样本和 4500 个负样本，因此不应出现“没有提供足够样本”的情况。 '你的弱分类器太弱'是什么意思？有什么方法可以知道我的 Adaboost 或 Weak 分类器有任何错误吗？另一件事，当我尝试选择另一个具有相对较低错误的特征而不是选择相同的 Haar 特征时，我在验证数据集上获得了与我选择相同 Haar 特征的结果相比的良好结果。谢谢！
样本数量可能取决于您处理的问题类型。为了检测人脸，Viola 和 Jones 使用了近 5000 个正例，在某些情况下使用了 5000 个负例或 15000 个负例。如果加权分类误差太接近 50%，则弱分类器可能太弱。调试 Adaboost 或弱分类器就像调试任何软件一样，所以我没有任何具体的提示。无论如何，很高兴知道你得到了选择另一个分类器的结果，但我不知道有报道有人这样做的论文。但是，嘿，如果它对你有用，我还能说什么？