技术领域本发明属于人脸检测技术领域，具体涉及到一种基于AdaBoost的人脸检测分类器构造方法。
背景技术：
人脸检测是计算机视觉领域中与应用结合最紧密的技术之一，在人脸识别中起到至关重要的作用。目前，主要的人脸检测方法可以分为三类：基于肤色区域的人脸检测、基于模板的人脸检测、基于统计学习的方法。本发明是一种基于统计学习的人脸检测方法。基于统计学习的人脸检测是用统计分析和机器学习的方法来寻找区分人脸和非人脸的特征，再根据机器自动学习得到的特征构建分类器以判断图像是否存在人脸。基于统计学习的方法主要有：子空间方法、支持向量机方法、神经网络方法、隐马尔可夫模型和AdaBoost方法。基于AdaBoost的人脸检测方法期望能通过大量样本充分学习区分人脸与非人脸的关键特征，现有的基于Haar特征的AdaBoost算法包括如下步骤：A.定义样本集为(x1,y1)……(xn,yn)，其中yn对应于正负样本分别取值为0和1；并初始化样本权重，正负样本权重分别是w1，i＝1/2a，1/2b(i＝1…n)。a和b分别为正负样本的数量；定义弱分类器为：其中，x为样本，f为上述定义的Haar特征，θ弱分类器对应的阈值，p取值±1决定不等号方向；B.fort＝1……T:(1)归一化权重(2)定义弱分类器分类误差函数为:e＝∑iwt，i*|c(xi，f)-yi|；(3)采用最小化误差e的原则求得ct(x，f)，此时误差为et；(4)调整样本对就的权重其中第i个样本xi分类正确，则ei＝0；分类错误，则ei＝1；μt＝et/(1-et)。C.经过A、B两步后，得出一系列弱分类器，每个弱分类器ct的权重为将得到的弱分类器通过如下方式组合形成强分类器：c(x)=1,Σt=1Tσtct≥0.5Σt=1Tσt(σt=log1μt)0,otherwise.]]>上述基于AdaBoost人脸检测技术在学习训练中对样本权重的调整仅利用了上一次的权重，信息利用不够。
技术实现要素：
本发明的目的是提出一种基于AdaBoost的人脸检测分类器构造方法，该方法能够提高人脸检测分类器的训练效率,并基于对训练样本的统计，计算了人脸各器官对最终检测贡献的能力，提高了人脸检测的准确率，从而得到分类效果更好的人脸检测分类器。本发明的基于AdaBoost的人脸检测分类器构造方法由下述步骤组成：A：获得人脸样本和非人脸样本；B：对所有样本预处理；C：手工标注各器官的区域；D：统计面部各器官出现规律；E：利用改进的AdaBoost算法训练得到人脸检测弱分类器；F：通过步骤E得出一系列弱分类器，通过将这些弱分类器和面部器官的权重组合得到强分类器。本发明的基于AdaBoost的人脸检测分类器构造方法的核心思想是利用人脸和非人脸样本学习的过程，通过持续改变样本的权重来训练一系列的弱分类器，最后将一系列的弱分类器组合形成能够区分人脸和非人脸的强分类器。附图说明图1是本发明的人脸检测分类器的构造方法流程图。图2是本发明的AdaBoost算法训练强分类器流程图。具体实施方式下面对照附图，通过对实施实例的描述，对本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理等作进一步的详细说明。实施例1：如图所示，本实施例的基于AdaBoost的人脸检测分类器构造方法由下述步骤组成：A：获得人脸样本和非人脸样本：在监控视频中，截取包含左右以双耳外侧为边界、上下分别以下巴和发际线为边界的人脸图像，以及不包含人脸的非人脸图像；设定人脸图像为正样本，非人脸图像为负样本；正样本与负样本的并集构成训练数据集，表示为A＝{(x1,y1)……(xn,yn)