SVM VS AdaBoost 构造分类器用于物体检测

 最近，在做一些关于物体检测的东西，其中要用到分类器。现在，常用的分类器有两大类：AdaBoost ，SVM.由于刚刚接触，概念上勉强了解，做起来有些吃力。幸好，实验室的师兄做过类似的工作，赶紧请教，终于有了新的理解和认识，做一简单总结。

首先，要清楚整个detection task 的流程框架：

第一步，对待检测图片进行合理的表述，这一步即特征表达的问题。需要用一向量（特征向量）表示图像，这其中就涉及特征选择的问题了，feature detector &feature descriptor 前面一阵子一直在研究，所以这一步我可以轻松应对。

第二步，构造具体的分类器。先在网上下载一些数据集，用AdaBoost 或SVM训练完后得到一个具体问题的分类器。

第三步，利用得到的分类器，进行物体检测。

补充一点，关于训练集的问题。一般的，训练的样本，这里一般是图片，其大小往往很小。例如，是人脸的样本，你会看到用到的样本都是2424（pixel）,因为只有这样才能在待检测图像中进行窗口滑动检测。而且，尽量是的object占据图片的绝大部分，当然，也不是说所占的百分比越接近1越好，有人做过分析，有时增加一定的背景反而得到的训练器性能更好。

其次，总结一下SVM 和AdaBoost 用于物体检测的过程最大的区别：

SVM：检测窗大小是固定的，要对test图像进行尺度缩放，在不同的尺度下滑动窗口，检测目标物体，若找到，标记检测box。比如说，按照Navneet Nalal 所说的HOG用于人的检测。你在训练的时候，用的训练样本大小为64*128，那么你要用一个3780维的特征向量表示它。那你用SVM得到的训练器会得到3781个系数（包括不要忘了那个b）。检测人的时候，检测窗始终不变，保持64*128，你可以改变待检测图的大小（缩放）。

   AdaBoost：为了增加检测速度，待检测图大小是不变的（对检测图像进行缩放比较耗时），而是改变检测窗的大小（检测窗口一般都很小）。这里有一点还不是很清楚：是不是最终的级联分类器结构是这样的：每一级的分类器检测窗口大小是逐级增加的，这样改变检测窗的大小才是可行的，要不然，分类器咋工作呢？要不，就是AdaBoost可以针对不同size的样本进行训练...还需进一步研究啊...

PS:关于AdaBoost的检测窗口可以改变，又问了一下师兄，总算理解又深了一步：是这样的，这与Haar特征的计算有关，AdaBoost训练好的分类器在检测目标时，每一步用到了极少的主要Haar特征。比如检测人脸，水平方向上的Haar特征被认为是最具代表性的，首先在检测窗口内计算水平Haar特征（检测人眼有效），看所在窗口中的水平Haar特征是否有与人眼相匹配的，只是第一关，这一关过不去，直接Pass，那么这一窗口没必要再进行其他Harr特征的检测；反之，这一关过了，不要高兴的太早，还有第二关，第三关，...第n关。每一关，对应于某一有代表性的Harr特征（垂直的，对角的...）。只有全关通过的检测窗口，才是目标物体所在的窗口。   之所以检测窗口大小可变，是因为 相应的Haar特征模板的大小可以相应的缩放，但是计算得到的Haar特征值始终是一个数，注意是一个数，不存在维度的改变，这跟SVM中特征向量的维度与图片块的大小有所不同，正是这点不同，就有了后面二者构造的分类器在检测目标物体过程中的差异....

最后，贴出AdaBoost原始算法：

PS：每个弱分类器的得到是一个并行过程，这里有一个投票机制。比如根据图片的n个特征，训练出n个弱分类器，对每个弱分类器赋以一定的权值，得到最终的强分类器。