详细描述

下面描述的目标检测器最初由Paul Viola [285]提出，并由Rainer Lienhart [167]改进。

首先，使用数百个特定目标（例如人脸或汽车）的样本视图（称为正样本），这些样本视图被缩放至相同大小（例如20x20），以及相同大小的负样本（任意图像）来训练一个分类器（即一个基于Haar-like特征的增强型级联分类器）。

训练好分类器后，可以将其应用于输入图像中感兴趣区域（与训练期间使用的大小相同）。如果该区域可能显示目标（例如人脸/汽车），则分类器输出“1”，否则输出“0”。为了在整个图像中搜索目标，可以将搜索窗口在图像上移动，并使用分类器检查每个位置。分类器设计为可以轻松“调整大小”，以便能够找到不同大小的目标，这比调整图像本身更有效。因此，为了在图像中找到未知大小的目标，应该在不同的比例下多次进行扫描过程。

分类器名称中的“级联”一词意味着生成的分类器由多个更简单的分类器（阶段）组成，这些分类器会依次应用于感兴趣区域，直到在某个阶段拒绝候选对象或通过所有阶段为止。“增强型”一词表示级联中每个阶段的分类器本身很复杂，它们是使用四种不同的增强技术（加权投票）中的一种，由基本分类器构建而成。目前支持离散Adaboost、实数Adaboost、Gentle Adaboost和Logitboost。基本分类器是至少具有2个叶节点的决策树分类器。Haar-like特征是基本分类器的输入，其计算方法如下所述。当前算法使用以下Haar-like特征：

图像

在特定分类器中使用的特征由其形状（1a、2b等）、在感兴趣区域内的位置和比例（此比例与检测阶段使用的比例不同，尽管这两个比例相乘）来指定。例如，对于第三行特征（2c），响应计算为覆盖整个特征（包括两条白色条纹和中间的黑色条纹）的矩形下图像像素的总和与黑色条纹下图像像素的总和乘以3之间的差值，以便补偿面积大小的差异。使用积分图像可以快速计算矩形区域上的像素值总和（参见下文和积分图像的描述）。

查看相应的教程以了解更多详细信息。

以下参考资料仅针对检测部分。还有一个名为opencv_traincascade的单独应用程序，可以根据一组样本训练增强型级联分类器。

注意: 在新C++接口中，除了Haar-like特征外，还可以使用LBP（局部二值模式）特征。.. [Viola01] Paul Viola 和 Michael J. Jones。使用增强型简单特征级联进行快速目标检测。IEEE CVPR，2001。该论文可在网上获得：https://github.com/SvHey/thesis/blob/master/Literature/ObjectDetection/violaJones_CVPR2001.pdf

类
类	cv::BaseCascadeClassifier

类	cv::CascadeClassifier
	用于目标检测的级联分类器类。更多…

结构体	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

函数文档

◆ createFaceDetectionMaskGenerator()

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

#include <opencv2/objdetect.hpp>