Question

刚刚学习adaboost人脸检测，问一些细节问题，求明白的人给我解答，谢谢啦！

采用adaboost算法进行人脸检测时，首先用人脸和非人脸样本训练矩形特征，矩形特征的形状已经固定，但大小是变化的。训练样本的大小也是固定的。但这样训练出的最优的一些矩形特征是不是大小也固定了呢？如果大小固定了，由怎么能肯定此特征在其它尺度的测试样本中也是最优的呢？

Answer 1

你说的矩形特征应该就是haar特征吧，我做过行人检测 但是没用过矩形特征 你的形状固定是不是指 黑条和白条的位置定了？大小在变化 如果是级联训练 大小应该是多种的 而且形状也不应该是固定的 级联选择的特征那是在很多特征里利用检测率 虚警率选择出来的 而且一般是多个 多种大小形状的 所以能在其他尺度上进行检测

追问

如果我定义了5种haar特征，那么不就是利用这5种特征模板对训练样本进行检测获得特征值吗？每一种特征模板由于大小和摆放位置的不同可以对训练样本训练出多个人脸特征。由于这些特征是从固定大小的训练样本中获得的，所以我最终筛选的特征模板应该是固定的吧？包括大小和摆放位置。但是特征模板会有多个，是这样的吗？

追答

选择出的特征模板 与很多因素相关 训练样本数 级联层数 你定义的级联参数都相关 如果你的参数定了 那么最终的特征模板确实是定的 但是它应该是多种大小和位置的组合 所以有多个

追问

对啊，可是这是对固定大小的训练样本下得到的分类器，在做检测时，我是不知道检测图像人脸大小的，那么我们所获得的分类器在其他大小中怎么保证是最优的呢？

追答

这就是级联训练的作用 你的训练样本里人脸是多种多样的 级联选出来的特征模板会包含多种情况，是最优的 只要你的训练样本和测试样本一致 是可以保证最优的 如果测试样本与检测样本大小不一样 那么你就把测试样本缩放到与训练样本大小一致 一样可以保证最优

追问

测试时候可以保证将样本缩放到与训练样本一样的大小，但在实际检测时人脸是混在背景图像中的，所以不能事先确定人脸样本的大小，那么怎么保证训练获得的分类器是最优的呢？

Answer 2

楼主我也遇到同样的问题，检测时都说对检测窗口进行放大，可是我们在坐训练的时候，Haar特征都是从20*20或者24*24的样本中训练得到，如果在检测的时候放大检测窗口，那么在训练得到的那些最优的Haar特征可能不是最优的，因为在坐程序的时候，已经把那个最优的特征记录下来了，但是如果检测窗口变大，程序所记录的那个最优的，到了检测窗口可能就不是最优的？？