在萌颜sdk中，通过图像特征器技术辨别完人脸图像后，就要对图像进行分类处理了，此时就要用到另外一项技术：图像分类器。分类器是指根据不同规则对输入的数据进行分类的算法模型。其中，图像分类器又分为强分类器和弱分类器，弱和强表征的是分类器处理问题的能力，可以将一系列弱分类器集合起来形成一个强分类器。

OpenCV在物体检测上使用的是Haar-like特征的级联表，这个级联表中包含的是boost的分类器。人们采用样本的Haar-like特征进行分类器的训练，从而得到一个级联的boost分类器。下面从一个haar弱分类器出发来解析图像分类器的原理。

一、Haar弱分类器

最简单的分类器就是一个对0和1进行判断的分类器，如果满足某个条件即为1，否则为0。建立一个只有一个Haar-like特征的分类器。通过比较输入图片的特征值和弱分类器的特征决定判断的输出，所以需要一个阈值，当输入图片的特征值大于该阈值时才判定其为人脸。最优弱分类器训练的过程实际上就是在寻找合适的分类器阈值，使该分类器对所有样本的判读误差最低。

二、弱分类器构造一个强分类器

弱分类器只能解决很简单的问题。对于人脸这种信息很多的问题，一个弱分类器是完全不够的。之前提到弱分类器的组合可以得到一个强分类器，具体过程相当于让所有弱分类器进行投票，再对投票结果按照弱分类器的错误率加权求和，将投票加权求和的结果与平均投票结果比较得出最终的结果，这就构成了一个强分类器。

因此，一个强分类器的诞生需要T轮的迭代，具体操作如下：

1、给定训练样本集S，共N个样本，其中X和Y分别对应于正样本和负样本，T为训练的最大循环次数。

2、初始化样本权重为1/N，即为训练样本的初始概率分布。

3、第一次迭代训练N个样本，得到第一个最优弱分类器。

4、提高上一轮中被误判的样本权重。

5、将新的样本和上次分错的样本放在一起进行新一轮训练。

6、循环执行步骤4~5，T轮后得到T个最优弱分类器。

7、组合T个最优弱分类器得到强分类器。

以上，就是萌颜sdk背后的技术之一：图像分类器的部分介绍，由于篇幅的原因，剩余的内容将会在下篇文章中继续补充，如果您对萌颜sdk开发感兴趣，欢迎咨询官方客服。

声明：本文由美狐原创，未经允许禁止转载，谢谢合作。