基于Adaboost算法的驾驶员眨眼识别
实验结果如图8所示。
从实验结果中可以看出利用最终的负样本训练生成的分类器能有效的区分出睁眼和闭眼状态，误检率大大降低，说明这样的负样本选择方法行之有效。
三个实验结果误检率比较如表1所示。误检率为错误检测的图片数除以图片总数。
结语
本文通过实验，提出了一种新的负样本选择方法，这样给我们扩展训练样本量提供了很大的帮助，即应用一个负样本截取软件，通过载入先前训练好的分类器，不断的收集误检的部分来添加进负样本中，作为下次训练的新的负样本，训练新的分类器。不断循环重复这个步骤，直到达到能产生有满意效果的分类器。从三个实验结果看出误检率逐渐减少，证明了方法的有效性。在以后的实验中继续采用层层迭代的方式，不断利用训练好的新的分类器来增加负样本，直到训练出更加精确的分类器，为后续判断汽车驾驶员疲劳检测做铺垫。
评论