详细信息

下面描述的对象检测器最初由 Paul Viola [284] 提出，并由 Rainer Lienhart [167] 改进。

首先，使用数百个特定对象（比如人脸或汽车）的样本视图（称为正面样例），对分类器（即“使用类 Haar 特征的提升分类器的级联”）进行训练，将这些视图调整到相同的大小（比如 20x20）以及相同的负面样例（任意大小的图像）。

在训练分类器之后，可以将其应用于输入图像中感兴趣的区域（与训练期间所用区域大小相同）。如果该区域可能显示对象（比如人脸/汽车），分类器将输出“1”；否则输出“0”。要在整个图像中搜索对象，可以在图像中移动搜索窗口，并使用分类器检查每个位置。该分类器经过设计，可以轻松“调整大小”，以便能够找到不同大小的感兴趣对象，而这比调整图像本身的大小要更有效率。因此，若要在图像中找到一个未知大小的对象，应在不同比例下执行扫描程序多次。

分类器名称中的“级联”一词表示所得分类器由若干个简单的分类器（“阶段”）组成，这些分类器依次应用于某个感兴趣的区域，直到某个阶段拒绝候选者或进入所有阶段。单词“提升”表示，级联中的每个阶段的分类器本身都很复杂，并且由使用四种不同的提升技术（加权投票）的基本分类器构建而成。当前支持离散 AdaBoost、真实 AdaBoost、温和 AdaBoost 和 Logitboost。基本分类器是包含至少 2 个叶子的决策树分类器。类 Haar 特征是基本分类器的输入，计算方法如下。当前算法使用以下类 Haar 特征

图像

特定分类器中使用的特征由它的形状（1a、2b 等）、感兴趣区域内的位置以及尺度指定（该尺度与检测阶段使用的尺度不同，尽管这两个尺度会被相乘）。例如，对于第三层特征（2c），响应计算为覆盖整个特征（包括两个白条和中间的黑条）的矩形下图像像素之和与乘以 3 的黑条下图像像素之和之间的差，以补偿区域大小的差异。使用积分图像（见下文和积分描述）快速计算矩形区域的像素值和。

查阅相应教程以了解更多详细信息。

以下参考仅针对检测部分。有一个单独的应用程序名为 opencv_traincascade，可以根据一组样本训练提升分类器的级联。

注意: 在新 C++ 接口中，除了 Haar 类似特征外，还可使用 LBP（局部二进制模式）特征。.. [Viola01] Paul Viola 和 Michael J. Jones。使用简单特征的提升级联实现快速对象检测。IEEE CVPR，2001。可在https://github.com/SvHey/thesis/blob/master/Literature/ObjectDetection/violaJones_CVPR2001.pdf上在线获取该论文。

类
类	cv::BaseCascadeClassifier

类	cv::CascadeClassifier
	对象检测的级联分类器类。更多信息...

结构	cv::DefaultDeleter< CvHaarClassifierCascade >

类	cv::DetectionBasedTracker

枚举
枚举	{ cv::CASCADE_DO_CANNY_PRUNING = 1 , cv::CASCADE_SCALE_IMAGE = 2 , cv::CASCADE_FIND_BIGGEST_OBJECT = 4 , cv::CASCADE_DO_ROUGH_SEARCH = 8 }

函数
Ptr< BaseCascadeClassifier::MaskGenerator >	cv::createFaceDetectionMaskGenerator ()

枚举类型文档

◆ 匿名枚举

匿名枚举

#include <opencv2/objdetect.hpp>

枚举器
CASCADE_DO_CANNY_PRUNING Python：cv.CASCADE_DO_CANNY_PRUNING
CASCADE_SCALE_IMAGE Python：cv.CASCADE_SCALE_IMAGE
CASCADE_FIND_BIGGEST_OBJECT Python：cv.CASCADE_FIND_BIGGEST_OBJECT
CASCADE_DO_ROUGH_SEARCH Python: cv.CASCADE_DO_ROUGH_SEARCH

函数说明

◆ createFaceDetectionMaskGenerator()

Ptr< BaseCascadeClassifier::MaskGenerator > cv::createFaceDetectionMaskGenerator ( )

#include <opencv2/objdetect.hpp>