本科毕业设计 基于Haar特征与AdaBoost算法的人脸检测的实现.zip

clc,clear %1.图片读取 %AllPictureRead 读取所有人脸样本函数 %num1为正例（人脸）个数，num2为负例（非人脸）个数 %PictureSam 样本图片矩阵 %PictureSam(:,:,i)为第i张图片 tic %Elapsed time is 6.823812 seconds. [PictureSam,num,num1]=AllPictureRead(); toc %图片长度方向像素数PicHeight,图片长度方向像素数PicWidth 一般情况下两者相等; %num为样本总数 [PicHeight PicWidth num]=size(PictureSam); %2.CalIntegral函数 计算积分图 tic %Elapsed time is 35.040152 seconds. Integral=CalIntegral(PictureSam,num,PicHeight,PicWidth); toc %Integral为积分图矩阵 %Integral(:,:,i)为第i张图片的积分图 %清除没用的变量 节省空间 clear PictureSam %----一般不用运行----- %3.SumCalRect函数 求满足条件(s,t条件)的矩形总个数 %sum12 代表(s,t条件)为1,2的矩形个数 [RectNum,sum12,sum13,sum22]=SumCalRect(PicHeight,PicWidth); %4.CalHaarValue函数 计算不同Haar特征的特征值 %(x1,y1)为矩形起始坐标，(x2,y2)为矩形终点坐标 %CalInteValue函数 根据积分图计算一个矩形的积分值 %HaarWeakClass Haar弱分类器结构体 %HaarWeakClass.theta 阈值 %HaarWeakClass.begin 特征窗口起始坐标 [x1,y1] %HaarWeakClass.end 特征窗口终点坐标 [x2,y2] %HaarWeakClass.st 特征矩形种类 [s,t](对应s,t条件) %HaarWeakClass.p 不等式的方向 1或-1 %HaarWeakClass.err 分类误差 %i为弱分类器计数值 %Train1stOneWeakClass为 任一个弱分类器 第一次 训练函数 %第一次训练确定HaarWeakClass结构体de theta和p tic %Elapsed time is 8566.878533 seconds. [HaarWeakClass,WeakNum]=Train1stWeakClass(num,num1,Integral,PicHeight,PicWidth) toc %保存第一次训练的弱分类器到 1stOneWeakClass.mat save 1stOneWeakClass HaarWeakClass WeakNum PicHeight PicWidth Integral num num1 %第一次训练完成 清除所有变量（有用的已经保存） clear all %--------训练300个弱分类器过程------------- clc,clear load 1stOneWeakClass Integral num num1 HaarWeakClass WeakNum %样本权重SamWeight 初值为1/num SamWeight=(1/num)*ones(1,num); T=300; %T为循环次数，也是训练出的弱分类器个数 tic %Elapsed time is 586460.479390 seconds. for x=1:T MinErrVal=Inf; %MinErrVal 最小分类误差 MinErrNum=0; %MinErrNum 最小分类误差对应的弱分类器标号 for y=1:WeakNum HaarWeakClass(y)=TrainOneWeakClass(HaarWeakClass(y),num,num1,Integral,SamWeight); if MinErrVal>=HaarWeakClass(y).err MinErrVal=HaarWeakClass(y).err; MinErrNum=y; end end %OptWeak(x) 为第x次遍历寻找出的最优弱分类器 OptWeak(x)=HaarWeakClass(MinErrNum); %在弱分类器数组中清除它 HaarWeakClass(MinErrNum)=[]; %弱分类器数组长度减一 WeakNum=WeakNum-1; Beta=OptWeak(x).err/(1-OptWeak(x).err); %弱分类器的权值 WaekWeight(x)=log(1/Beta); %更新样本权值 for i=1:num %计算特征值 TempHaarF=CalHaarValue(Integral(:,:,i),OptWeak(x).begin(1),OptWeak(x).begin(2),OptWeak(x).end(1),OptWeak(x).end(2),OptWeak(x).st(1),OptWeak(x).st(2)); if i<=num1 %人脸样本标记为1 TempY=1; else TempY=0; %非人脸样本标记为0 自己计算得：标记为-1的话判断正确也会有误差 end if OptWeak(x).p*TempHaarF < OptWeak(x).p*OptWeak(x).theta %判断为人脸 TempHaarH=1; else TempHaarH=0; end if TempY==TempHaarH %若判断正确 SamWeight(i)=SamWeight(i)*Beta; %就降低权值 end end %样本权值归一化 SamWeight=SamWeight./sum(SamWeight); end toc tic %Elapsed time is 15.184293 seconds. %求每个最优弱分类器对所有样本的判断输出 %JudgOut(x,i) 第x个最优弱分类器对第i个样本的输出 for x=1:T %T个最优弱分类器 for i=1:num %计算特征值 TempHaarF=CalHaarValue(Integral(:,:,i),OptWeak(x).begin(1),OptWeak(x).begin(2),OptWeak(x).end(1),OptWeak(x).end(2),OptWeak(x).st(1),OptWeak(x).st(2)); if OptWeak(x).p*TempHaarF < OptWeak(x).p*OptWeak(x).theta %判断为人脸 JudgOut(x,i)=1; else JudgOut(x,i)=0; end end end toc %保存有用的变量在FinishWeak.mat中 %OptWeak(x) 为第x次遍历寻找出的最优弱分类器 %WaekWeight(x) 第x个弱分类器的权值 %JudgOut(x,i) 第x个最优弱分类器对第i个样本的输出 %T为训练出的弱分类器个数 save FinishWeak OptWeak WaekWeight JudgOut T save FinishWeakTemp SamWeight %清除所有变量 clear all %----------- clc,clear %级联分类器训练过程 load FinishWeak OptWeak WaekWeight JudgOut T load 1stOneWeakClass Integral num num1 tic %Elapsed time is 1.033488 seconds. %DivPRMin 每层强分类器的最小检测率 DivPRMin=0.925; %DivFPRMax 每层强分类器的最大误检率 DivFPRMax=0.5; %WholeFPR 要求整个分类器的误检率 WholeFPR=0.001; %StrongClass 强分类器结构 %StrongClass.weak(i) 强分类器中的第i个弱分类器 %StrongClass.weakweight(i) 强分类器中的第i个弱分类器的权值 %StrongClass.weaknum 强分类器中的弱分类器个数(没有这个) %StrongClass.pass 弱分类器的组合值若大于此值，便判断为人脸样本 %StrongClass.PR 强分类器对于训练样本的最终检测率 %StrongClass.FPR 强分类器对于训练样本的最终误检率 %StrongClass.num(i) 强分类器包含的弱分类器编号（在OptWeak中的编号） MinWeakNum=3; %每一级强分类器所具有的最小弱分类器个数 CurFPR=1; %当前整个分类器的误检率 CurPR=1; %当前整个分类器的检测率 i=1; %i为当前强分类器的编号 WeakI=0; %i为当前弱分类器的编号 LackFlag=0; %缺少弱分类器标志 若没有足够的弱分类器可用 LackFlag=1 while CurFPR>WholeFPR | i<=13 %若当前整个分类器的误检率达不到要求 且强分类器数量小于等于5个 weaknum=0; %weaknum为当前强分类器具有的弱分类器个数 CurDivPRMin=0; %当前强分类器的检测率 CurDivFPRMax=1; %当前强分类器的误检率 while CurDivPRMin<DivPRMin | CurDivFPRMax>DivFPRMax %给强分类器增加弱分类器过程 if weaknum==0 %初始的分类器个数 if WeakI+MinWeakNum>T LackFlag=1; %若没有足够的弱分类器可用 break; end StrongClass(i).weak=OptWeak(WeakI+1:WeakI+MinWeakNum); StrongClass(i).weakweight=WaekWeight(WeakI+1:WeakI+MinWeakNum); StrongClass(i).num=WeakI+1:WeakI+MinWeakNum; WeakI=WeakI+MinWeakNum; weaknum=MinWeakNum; else if WeakI+1>T %若没有足够的弱分类器可用 LackFlag=1; break; end %在此强分类器中增加一个弱分类器 StrongClass(i).weak=[StrongClass(i).weak OptWeak(WeakI+1)]; StrongClass(i).weakweight=[StrongClass(i).weakweight WaekWeight(WeakI+1)]; WeakI=WeakI+1; weaknum=weaknum+1; StrongClass(i).num=[StrongClass(i).num WeakI]; end %计算强分类器的各类性能参数过程 StrongClass(i).pass=0.5*sum(StrongClass(i).weakweight); %StrongWeakJudg 强分类器样本判断输出函数 [CurDivPRMin,CurDivFPRMax]=StrongWeakJudg(StrongClass(i),JudgOut,num,num1); end if LackFlag==1 %若没有足够的弱分类器可用,则结束程序 WARNING='没有足够的弱分类器可用,结束程序！' break; end StrongClass(i).PR=CurDivPRMin; StrongClass(i).FPR=CurDivFPRMax; CurFPR=CurFPR*StrongClass(i).FPR; CurPR=CurPR*StrongClass(i).PR; i=i+1; end toc %保存级联分类器 %StrongClass 强分类器结构 %CurPR 整个分类器对于测试样本的检测率 %CurFPR 整个分类器对于测试样本的误检率 save FinishStrong StrongClass CurPR CurFPR %清除所有变量 clear all %-----300弱分类器组成一个强分类器 NNN=300; %唯一一个强分类器中弱分类器个数 load FinishWeak OptWeak WaekWeight JudgOut load 1stOneWeakClass num num1 StrongClass(1).weak=OptWeak(1:NNN); StrongClass(1).weakweight=WaekWeight(1:NNN); StrongClass(1).num=1:NNN; %计算强分类器的各类性能参数过程 StrongClass(i).pass=0.5*sum(StrongClass(i).weakweight); %StrongWeakJudg 强分类器样本判断输出函数 [CurDivPRMin,CurDivFPRMax]=StrongWeakJudg(StrongClass(i),JudgOut,num,num1); StrongClass(i).PR=CurDivPRMin; StrongClass(i).FPR=CurDivFPRMax; %-----级联分类器 检测过程 clc,clear tic TrainPicSize=20; %训练时图片尺寸 for i=301:450 if i<10 PictureName=['faces_test\image_000' num2str(i) '.jpg']; elseif i<100 PictureName=['faces_test\image_00' num2str(i) '.jpg']; else PictureName=['faces_test\image_0' num2str(i) '.jpg']; end %Test函数 检测人脸函数 [SimpleOut,OutPut]=Test(PictureName,TrainPicSize); %-----显示标记人脸后的图片 %图像窗口序号1 figure(1)