实验3：基于AdaBoost算法的人脸检测

实验目的

1. 深入理解Adaboost的原理
2. 熟悉人脸检测的基本方法
3. 学会利用Adaboost解决人脸检测问题，将理论和实际工程接轨
4. 体验机器学习的完整过程

数据集

1. 本实验提供1000张图片用于训练(和验证)人脸分类器，其中500张是含有人脸的RGB图片，储存在./datasets/original/face 内；另外500张是不含有人脸的RGB图，储存在./datasets/original/nonface 内。
2. 数据集包含在此处内，请自行下载并将其切分为训练集，验证集。

实验环境

python3, 至少包含下列python包：sklearn, numpy, matplotlib, pickle, PIL.
建议直接安装anaconda3，其已经内置了以上python包。

实验形式

个人独立完成

实验步骤

人脸分类

1. 读取数据集数据。读取图片，将全部图片转成大小为24*24的灰度图，数据集正负类样本的个数和比例不限，数据集标签形式不限。
2. 处理数据集数据，提取NPD特征。使用feature.py中NPDFeature类的方法提取特征。（提示：因为预处理数据集的时间比较长，可以用pickle库中的 dump() 函数将预处理后的特征数据保存到缓存中，之后可以使用 load()函数读取特征数据）。
3. 将数据集切分为训练集和验证集，本次实验不切分测试集。
4. 根据ensemble.py中的预留的接口编写AdaboostClassifier所有函数。以下为AdaboostClassifier类中的fit()方法的思路：
       4.1 初始化训练集的权值 $\omega$, ,每一个训练样本被赋予相同的权值。
       4.2训练一个基分类器，基分类器可以使用sklearn.tree库中 DecisionTreeClassifier
       4.3 计算基分类器在训练集上的分类误差率 $\epsilon$ 。
       4.4 根据分类误差率 $\epsilon$，计算参数 $\alpha$。
       4.5 更新训练集的权值 $\omega$.
       4.6 重复以上4.2-4.6的步骤进行迭代，迭代次数为基分类器的个数。
5. 用AdaboostClassifier中的方法在验证集上进行预测并计算精确率,并用sklearn.metrics库的classification_report()函数将预测结果写入classifier_report.txt中。

人脸检测

1. 运行face_detection.py，体验OpenCV自带的基于Haar特征和AdaBoost的人脸检测方法，运行结果保存为detect_result.jpg。
2. 可以使用其它图片替换实验默认的测试图片，体验人脸检测结果。

整理实验结果，形成图表，并完成实验报告（实验报告模板及代码模板将包含在此处）

实验代码及报告提交方式

提交内容

• 代码及实验报告
• 实验报告需要按照模板编写，并导出成pdf文件（模板未必与本次实验内容完全契合，可适当修改模板章节）
• 代码及报告需要打包，命名格式为“实验3_班级_姓名_学号.zip”。例如：“实验3_软件1班_张三_201700000000.zip”
• 提交代码及实验报告时不要在压缩包中包含数据集
• 请于截止时间前发送包含实验3和实验4的代码及实验报告的压缩包到助教邮箱jiaju.wu@qq.com，邮件命名为“实验3、4_班级_姓名_学号”

提交时间

• 2020年11月30日中午12:00截止，请于截止时间前发送包含实验3和实验4的代码及实验报告的压缩包到助教邮箱jiaju.wu@qq.com。

评分标准

注意事项

• 实验报告需按时提交，非特殊情况逾期补交无效
• 代码强烈推荐用python语言写，但使用其它编程语言也是允许的
• 实验报告使用中英文均可；LaTex、Word均可（如果用Word编写实验报告，需导出成pdf格式）

参考资料

[1] 周志华. 机器学习. 北京：清华大学出版社，2016：173-177