基于AdaBoost的人脸检测

人脸检测和人脸识别都是属于典型的机器学习的方法，但是他们使用的方法却相差很大。

对于人脸检测而言，目前最有效的方法仍然是基于Adaboost的方法。在网上可以找到很多关于Adaboost方法的资料，但基本上是千篇一律，没有任何新意。给初学者带了很多不便。建议初学者只需要认真阅读：北京大学 赵楠 的本科毕业论文 ：基于 AdaBoost算法的人脸检测 这篇毕业论文就够了。作者详细分析了Adaboost算法在人脸检测中的具体执行过程，尤其是关于弱分类器的Haar特征选取过程，描述的相当清晰。

 

至于人脸检测的代码，网上基本上是关于如何用openCV去做人脸检测的代码。如果不需要对性能做更高的要求的话，直接用openCV就可以了。

根据对openCV代码的理解，我重新提取了openCV人脸检测的代码，采用纯C语言实现了人脸检测，与openCV的代码项目相比，有一下几点不同：

1. 使用内存少。

    1.1 原始openCV在检测初始化的时候分配一个很大的buffer，在人脸检测当中使用这个buffer，这个是由openCV的内存管理机制决定的。但在很多时候，图像大小一般都没有想象的那么大，这个大buffer只使用了其中的一小部分，内存空闲很大。在我的人脸检测中，根据图像大小分配2张图片大小内存，分别存放积分图和平方积分图。其它的内存是结构体占用的内存，一般比较小。

   1.2 原始openCv分类器文件是XML文本文件，而在我的人脸检测之中是二进制文件。所以分类器文件比openCV小至少5倍以上。

2.   运行效率高

      删除了Canny边缘检测的代码，针对具体的应用重新修改了算法执行中的部分参数。由于分类器是基于openCv改的，所以对人脸检测的准确率没有任何下降。

目前算法的代码虽然是纯C语言，但还没有做定点优化。目前的性能在iPod4上面，对于640x480的图片，检测单张人脸的时间是60ms左右。

如果对adaBoost算法本身感兴趣，除了可以阅读openCv中的代码之外，还有一个官方的代码,实现了各种AdaBoost算法。

 

部分人脸检测图片的结果如下：

 

 

另外一张图片：

 

测试图片来自网络，如涉及到版权问题，请告知！