基于机器学习方法的人脸检测，通常需要固定大小的人脸图像样本作为训练用的正样本，不包含人脸的样本作为负样本。训练过程是一个监督学习的过程，通过特定的特征提取和学习规则的制定，让计算机计算出最有效的将两类样本区分开来的数据，这些数据最为自动检测系统的最终配置加以存储，在真正检测的时候，对于任意输入图像，系统可以调用存储好的数据（知识），对图像加以判断，从而得出样本属于‘+’或‘-’的结论。

 

模式识别问题总是和统计学紧紧相联系的，它所得出的结论往往不是绝对的1或0，只能说是1的概率是多少，是0的概率的多少。所以天气预报会有“降水概率为80%”这种听起来模棱两可的说法。预报出错的情况在所难免，就像所有的模式识别问题都会有false alarm和false positive一样，这就需要对模式识别的结果有理性的认识。喜欢钻牛角尖的人从事这项工作就很容易抑郁，因为往往有这种情况：你花了很大工夫设计的算法，仍然无法在识别率达到100%的同时又没有出现任何错检。所以不能总盯着那些一时无法解决的“特例”，要用一种权衡的思想通盘考虑问题。一个好的识别系统，应该是好的算法加上好的权衡。

 

人脸样本一般是用手工的方法从一幅包含人脸的照片上截取的，然后在缩放成统一的尺寸，比如16×16或20×20。这个过程需要一些耐性，即使设计一个专门的小程序来选取人脸位置并自动缩放，对于几千个样本，重复这样的操作也不是一件轻松愉快的事。好在我们从这个网址找到了现成的训练样本 http://www.cmucam.org/wiki/viola-jones ,它包含两个.pat文件(链接已经失效，pat文件可以直接下载),分别存储两类图像样本，每个样本是24×24的灰度图像。这些样本是Viola-Jones 2001年论文里用的训练样本，从里面甚至可以找到很多熟悉的面孔。

 

利用附件里的matlab程序读出这些样本，正样本为：

psams = getsamples('faces.pat',24);

psams是3维矩阵，维度是24*24*4916，每个样本沿着z方向存放，可以用下面命令显示其中的某个样本：

imshow(psams(:,:,6));%显示第6个样本

 

同样负样本用下面语句读出：

nsams = getsamples('nonfaces.pat',24);

这只是很少的一部分负样本，对于一个鲁棒的系统来说远远不够，需要在训练过程中不断加入新的负样本。

 

并且还可以把它们拼成一个大图，写论文的同学可以从上面截一块出来，插到文章里：“看，我用的人脸样本是这样的”：
tilesamples(psams,'faces.bmp');
tilesamples(nsams,'nonfaces.bmp');

 

部分正样本如下：

 

 

把样本存储成3维矩阵的好处是，提取特征的运算可以充分利用矩阵运算功能，而不用循环处理每个图像。比如正样本的平均值可以用：

meanface = mean(double(psams),3);
imshow(meanface,[]);

平均脸的结果是这样的： 

 

以下附件是从打包存储的样本文件.pat中读取人脸矩阵的matlab小程序：

getdata.rar