【图像检测】基于AdaBoost算法实现人脸检测matlab源码

简要叙述一下AdaBoost算法的主要过程:

AdaBoost为每个数据样本分配权重,权重符合概率分布,初始权重符合均匀分布,串行训练M个模型,依据每轮训练的模型的错误率(被误分类样本的权重之和)确定当前模型在最终模型中的权重,以及更新训练样本的权重,误分类样本权重升高,分类正确的样本权重降低。

下图的算法流程来自于《统计学习方法》。

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码


下面通过具体的实例来理解AdaBoost算法的流程,例子来自于《统计学习方法》。

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

第一轮迭代:

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

此时得到的组合模型中只有一个【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码​ ,此时【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码​ 的分类结果就是最终模型的分类结果。第一轮迭代中6,7,8(6,7,8指的是x的值,不是指的序号)被误分类。此时得到的组合模型在训练数样本上的预测结果如下:

X

y

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

分类结果

0

1

0.4236

0.4236

1

正确

1

1

0.4236

0.4236

1

正确

2

1

0.4236

0.4236

1

正确

3

-1

-0.4236

-0.4236

-1

正确

4

-1

-0.4236

-0.4236

-1

正确

5

-1

-0.4236

-0.4236

-1

正确

6

1

-0.4236

-0.4236

-1

错误

7

1

-0.4236

-0.4236

-1

错误

8

1

-0.4236

-0.4236

-1

错误

9

-1

-0.4236

-0.4236

-1

正确

其中sign符号函数如下:

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

第二轮迭代:

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

第二轮迭代中3,4,5被误分类,此时得到的最终模型是前两轮模型的线性组合。那么在当前的组合条件下【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码​ 的分类结果是怎样的?

X

y

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

分类结果

0

1

0.4236

0.6496

1.0732

1

正确

1

1

0.4236

0.6496

1.0732

1

正确

2

1

0.4236

0.6496

1.0732

1

正确

3

-1

-0.4236

0.6496

0.226

1

错误

4

-1

-0.4236

0.6496

0.226

1

错误

5

-1

-0.4236

0.6496

0.226

1

错误

6

1

-0.4236

0.6496

0.226

1

正确

7

1

-0.4236

0.6496

0.226

1

正确

8

1

-0.4236

0.6496

0.226

1

正确

9

-1

-0.4236

-0.6496

-1.0732

-1

正确

第三轮迭代:

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

第三轮迭代中0,1,2,9被误分类,此时得到的最终模型是前三轮模型的线性组合。那么在当前的组合条件下【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码​ 的分类结果是怎样的?

X

y

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

分类结果

0

1

0.4236

0.6496

-0.7514

0.3218

1

正确

1

1

0.4236

0.6496

-0.7514

0.3218

1

正确

2

1

0.4236

0.6496

-0.7514

0.3218

1

正确

3

-1

-0.4236

0.6496

-0.7514

-0.5254

-1

正确

4

-1

-0.4236

0.6496

-0.7514

-0.5254

-1

正确

5

-1

-0.4236

0.6496

-0.7514

-0.5254

-1

正确

6

1

-0.4236

0.6496

0.7514

0.9774

1

正确

7

1

-0.4236

0.6496

0.7514

0.9774

1

正确

8

1

-0.4236

0.6496

0.7514

0.9774

1

正确

9

-1

-0.4236

-0.6496

0.7514

-0.3218

-1

正确

经过三轮迭代之后,在训练集上的错误率为0。

nTrainPosData = 200;
nTrainNegData = 200;
nLevels = 200;
W = 19;
H = 19; 
PTrainData = zeros(W, H, nTrainPosData);
NTrainData = zeros(W, H, nTrainNegData);
%% read train data
fileFolder = '.\Datasets\FACES\';
pfiles = dir(fullfile(strcat(fileFolder,'*.pgm')));
fileNames = {pfiles.name}';      %转换成细胞数组

aa = 1:length(pfiles);          %这段程序还没有看懂          
a = randperm(length(aa));
trainPosPerm = aa(a(1:nTrainPosData));

for i=1:size(PTrainData,3)
    PTrainData(:,:,i) =imread(strcat(fileFolder,fileNames{i}));
end
fileFolder = '.\Datasets\FACES\';
nfiles = dir(fullfile(strcat(fileFolder,'*.pgm')));
fileNames = {nfiles.name}';      %转换成细胞数组

aa = 1:length(nfiles);          %这段程序还没有看懂 
a = randperm(length(aa)); 
trainNegPerm = aa(a(1:nTrainNegData));

for i=1:size(NTrainData,3)
    NTrainData(:,:,i) =imread(strcat(fileFolder,fileNames{i}));
end
%% read test data
testPosPerm = setdiff(1:length(pfiles), trainPosPerm);
testNegPerm = setdiff(1:length(nfiles), trainNegPerm);

PTestData = zeros(W, H, length(testPosPerm));
NTestData = zeros(W, H, length(testNegPerm));
fileFolder = '.\Datasets\FACES\';
pfiles = dir(fullfile(strcat(fileFolder,'*.pgm')));
fileNames = {pfiles.name}';      %转换成细胞数组

% for i=1:size(PTestData,3)
for i=1:200
    PTestData(:,:,i) =imread(strcat(fileFolder,fileNames{i}));
end
fileFolder = '.\Datasets\FACES\';
nfiles = dir(fullfile(strcat(fileFolder,'*.pgm')));
fileNames = {nfiles.name}';      %转换成细胞数组

% for i=1:size(NTestData,3)
for i=1:200    
   NTestData(:,:,i) =imread(strcat(fileFolder,fileNames{i}));
end
%%
Cparams = Train(PTrainData, NTrainData, PTestData, NTestData, nLevels);

save('.\Cparams.mat', 'Cparams');



【图像检测】基于AdaBoost算法实现人脸检测matlab源码

【图像检测】基于AdaBoost算法实现人脸检测matlab源码【图像检测】基于AdaBoost算法实现人脸检测matlab源码

完整代码添加QQ1575304183

上一篇:蓝桥杯 算法训练 字符串合并


下一篇:问:自定义一个函数,实现库函数strcat的全部功能