基于Haar特征与Adaboost的人脸检测系统

资 源 简 介

本项目是一个在MATLAB环境下实现的完整人脸检测与识别解决方案，核心在于应用了经典的Haar-like特征提取技术结合Adaboost算法进行分类器训练。系统详细展示了计算机视觉中目标检测的经典流程，主要功能包括：1. 图像预处理与积分图（Integral Image）构建，利用积分图技术将矩形特征的计算复杂度降至常数级别，显著提高处理速度；2. Haar-like特征提取，计算多种类型的矩形特征以捕捉人脸的边缘、线条和中心环绕结构信息；3. 强分类器训练，实现Adaboost算法，从大量弱分类器中筛选出区分能力最强的特征，并将其级联成层级结构的强分类器；4. 人脸检测模块，利用训练好的级联分类器在待测图像上进行多尺度滑动窗口扫描，自动定位并标记人脸区域。该项目不仅提供了可以直接运行的人脸检测演示，还包含了完整的训练代码，允许用户使用自定义的数据集重新训练模型，非常适合用于深入理解Viola-Jones算法原理、模式识别课程设计以及相关领域的算法研究。

详 情 说 明

基于Haar-like特征训练的人脸检测与识别系统

项目简介

本项目是一个在MATLAB环境下实现的端到端人脸检测与识别演示系统。该项目旨在通过代码形式深入解析经典的Viola-Jones人脸检测算法核心流程。系统不依赖外部数据集，而是内置了合成数据生成模块，实现了从数据准备、特征提取、分类器训练到最终目标检测的完整闭环。

本代码主要演示了如何利用积分图加速Haar-like特征计算，并通过Adaboost算法训练强分类器，最终在测试图像上通过滑动窗口和非极大值抑制（NMS）技术定位目标。

功能特性

• 自包含环境：无需下载外部数据集（如ORL或Yale），代码内置生成合成训练样本（模拟人脸特征）和负样本（随机噪声）的功能，确保直接运行即可复现结果。
• 高效特征计算：实现了积分图（Integral Image）构建算法，支持O(1)时间复杂度的矩形特征求和。
• Haar-like特征提取：实现了两类基础Haar特征（垂直特征和水平特征）的自动生成与响应计算。
• Adaboost训练引擎：包含完整的Adaboost算法实现，支持多轮迭代，能够自动筛选最具区分度的弱分类器并加权组合成强分类器。
• 训练过程可视化：实时计算并绘制训练过程中的加权误差收敛曲线。
• 滑动窗口检测：在较大的测试图像上应用训练好的级联分类器进行步进扫描。
• 结果后处理：实现简单的非极大值抑制（NMS）算法，去除重叠的检测框，输出最终检测结果。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox（推荐，用于图像显示，非核心计算必须）

使用方法

1. 将 main.m 文件保存至MATLAB当前工作目录。
2. 在MATLAB命令行窗口输入 main 并回车，或直接在编辑器中点击运行。
3. 系统将依次执行以下步骤：

* 命令行输出：显示初始化、数据生成、特征计算、训练进度（每一轮的误差和Alpha值）。 * 图形窗口1：弹出“Adaboost训练误差”窗口，显示随迭代轮数下降的误差曲线。 * 图形窗口2：弹出“人脸检测结果”窗口，左侧显示包含随机植入目标的测试原图，右侧显示经过检测和NMS处理后的最终标记结果（绿色矩形框）。

代码逻辑与实现细节

本项目核心逻辑均在 main.m 中实现，主要分为五个核心处理阶段和辅助函数库。

1. 参数设置与合成数据生成

• 配置：设定训练样本尺寸为 24x24 像素，正负样本各50个，Adaboost迭代10轮。
• 数据合成：

* 正样本：通过 generateSyntheticData 函数生成。模拟人脸的简易灰度模式，即背景较亮，中间偏上区域（模拟眼睛/眉毛）有一条较暗的横向矩形带。 * 负样本：生成纯随机的灰度噪声图像。

2. 积分图与Haar特征构建

• 积分图计算：computeIntegralImage 函数利用 cumsum 快速计算图像的积分图，并进行边界补零（Padding），以便利用公式 D - B - C + A 快速计算任意矩形区域的像素和。
• 特征原型生成：generateHaarFilters 函数遍历24x24的窗口，生成两种基础特征：

* Type 1 (垂直)：由上下两个矩形组成，特征值为（整个矩形和 - 2 * 下半部黑色区域和）。 * Type 2 (水平)：由左右两个矩形组成，特征值为（整个矩形和 - 2 * 右半部黑色区域和）。 * *注*：为了演示效率，代码中设定了步长（Stride）和最小尺寸限制。

3. Adaboost 分类器训练

• 特征预计算：applyHaarFeatures 函数利用积分图预先计算所有训练样本在所有Haar特征下的响应值，生成特征响应矩阵，极大加速了后续的训练循环。
• 训练循环 (adaboostTrain)：

* 初始化样本权重，正负样本权重相等并归一化。 * 进行 numRounds (10) 轮迭代。 * 弱分类器选择：在每一轮中，遍历特征。对于每个特征，计算基于正负样本均值中点的简单阈值。通过比较加权误差率，选出当前轮次分类效果最好的特征及其阈值和极性。 * 权重更新：根据选出的弱分类器误差率计算 Alpha 权重，并增加被错误分类样本的权重（使算法在下一轮更关注难分样本）。 * 记录每一轮的选出的特征索引、阈值、极性和Alpha值。

4. 滑动窗口检测

• 测试图生成：创建一个 120x160 的噪声背景图，并随机植入3个与训练集分布一致的合成“人脸”图块，记录真实位置（Ground Truth）。
• 扫描机制：

* 首先计算整张测试图的积分图。 * 使用固定窗口（24x24）和固定步长（4像素）在测试图上进行滑动。 * *注*：演示代码仅执行单尺度（训练尺度）检测，未构建图像金字塔。

• 窗口分类 (classifyWindow)：

* 对于每一个滑动窗口位置，调用训练好的Adaboost强分类器。 * 强分类器线性组合了10个弱分类器的加权投票结果。 * 为了提高召回率，代码设定级联阈值为总Alpha值的45%（sumAlpha * 0.45），超过该阈值即判定为人脸。

5. 非极大值抑制 (NMS)

• 由于滑动窗口会在目标周围产生多个重叠的检测框，simpleNMS 函数被用于后处理。
• 逻辑：根据检测框面积（此处固定）和重叠度（IOU思路）进行贪婪合并。如果两个框重叠度超过阈值（0.1），则抑制其中之一，保留最终的一个最佳检测结果。

关键算法函数说明

• generateSyntheticData(nPos, nNeg, sz):数据生成器，构建具有特定“暗眼区域”模式的正样本。
• computeIntegralImage(img): 核心加速模块，将二维图像转换为积分图。
• generateHaarFilters(imgSz): 构造器，定义特征的几何结构（x, y, w, h, type）。
• computeRectSum(ii, r, c, w, h): 利用积分图索引，以O(1)代价返回指定矩形区域的像素和。
• adaboostTrain(featuresVals, labels, T): 训练主控，输出包含特征索引、阈值、极性和权重的分类器结构体数组。
• classifyWindow(...): 检测执行单元，将强分类器应用于特定图像子窗口。
• simpleNMS(boxes, threshold): 结果过滤器，通过剔除重叠框来净化最终输出。