4.1 理解层叠分类器的检测原理

4.1 理解级联分类器的检测原理

级联是一系列测试或阶段，用于区分是不是某一个对象，比如脸和非脸。对于正向分类，图像的某个部分必须通过级联的所有阶段。反之，如果图像在任何一个阶段失败了，分类器就会立即判定他为非。

图像的部分或窗口是在给定位置和给定放大级别上的像素样本。级联分类器获取图像在不同位置和不同放大级别的窗口，并为每个窗口运行级联的各个阶段。通常，正向检测出现在多个重叠窗口中。这些重叠的正向检测被称为“领域”，它们意味着更有可能出现真正的匹配。例如，如果我们稍微移动或调整框架的大小，一个真实的脸看起来仍然像一个脸。

现在，您可能想知道我们是如何设计级联的各个阶段的。答案是，我们不直接设计它们。相反，我们让机器学习元算法基于一组训练图像和一组特征来设计阶段。通常，元算法是AdaBoost(自适应增强)的变体，AdaBoost是一种带有特定指数误差函数的线性回归公式。训练图像包括正样本和负样本，我们必须提供正样本中对象坐标的元数据。这些特性是分类器可能会(也可能不会)在每个邻域中找到的本地模式模板。训练算法选取了正样本的典型特征和负样本的非典型特征，并根据这些特征设计了训练阶段。

4.1.1 Haar-like特征

Haar-like特征是人脸检测和一般目标检测中最常用的特征之一。对于每个窗口，Haar级联分类器从其他窗口中抽取一些灰度像素值，用来衡量窗口与以下暗区与亮区相遇的特征的相似性:

因此，Haar级联的阶段表示水平或对角线边缘、细线或点，它们代表一个对象(相对于非对象)。该算法的一些变体删除了一些特征(如对角线特征)或添加了一些特征(如四个矩形相交的角)，但基本思想是相同的。

Haar-like的特征在旋转或翻转方面不够健壮。例如，如果Haar级联被训练来检测直立的面孔，它将不会检测倒置的面孔。同样的，如果Haar级联训练的是左眼，那么右眼就不是理想的，因为右眼是左眼的镜像。因此，左眼和右眼最好有单独的级联。我们将使用OpenCV附带的4个训练有素的Haar级联，这些级联将检测一张直立的人脸、一张直立的猫脸、一个人的左眼和一个人的右眼。

4.1.2 局部二值模式特征

局部二值模式(LBP)特征是另一种流行的特征。它们也被称为局部二值模式直方图(LBPH)特征。顾名思义，LBPH特征是亮度值的直方图或计数。对于窗口中的每个像素，分类器观察在一定半径内的每个相邻像素是更亮了还是更暗了。直方图包含了每个相邻位置中较暗像素的计数。例如，假设一个窗口包含以下两个1像素半径的邻域:

计算这两个邻域(还没有计算窗口中的其他邻域)，直方图可以如下图所示:

让我们回顾一下我们是如何得出这些数字的。第一个邻域有黑色的角(相对于中心)，因此我们向直方图表的每个角落的单元格加1。第二个邻域有一个黑色的顶行(相对于中心)，因此我们向直方图表顶行的每个单元格添加另一个1。

LBP级联的阶段表示代表对象(相对于非对象)的渐变或转换。

和Haar级联一样，LBP级联在旋转或翻转方面也不健壮。OpenCV带有预先训练的LBP级联，适用于直立的人脸和直立的猫脸。可选地，我们可以使用这些来代替Haar级联。

与Haar级联相比，LBP级联的检测速度更快，但精度较低。对于低端设备，或者在需要高帧速率的情况下，LBP级联可能是一个不错的选择。然而,现在的iOS设备非常适合Haar级联用于实时视频。

[有关OpenCV实现级联分类器的信息，请参见官方文档,位于:http://docs.opencv.org/3.1.0/d5/d54/group__objdetect.html。具体来说，我们将使用cv::CascadeClassifier类.]

###返回到第四章目录###
###返回到书籍目录###