OpenCV实战(31)——基于级联Haar特征的目标检测
0. 前言
在机器学习基础一节中,我们介绍了机器学习的一些基本概念,并通过使用不同类别的样本来构建分类器。但这种方法训练分类器需要存储所有样本的表示,然后通过查看最近标记点(最近邻居)来预测新实例的标签。对于大多数机器学习方法,训练是一个迭代过程,在此过程中通过循环遍历样本来构建机器学习模型。通过使用更多的样本,得到的分类器性能会逐渐提高。当模型性能达到预设值或者当无法从当前训练数据集中获得更多改进时,学习过程将停止。本节中,我们将介绍一种遵循以上过程的机器学习算法,即级联分类器。
1. Haar 特征图像表示
在我们继续学习该分类器之前,首先将介绍 Haar
特征图像表示。我们已经知道,良好的图像表示是生成鲁棒性分类器的基本要素。
生成分类器的第一步是获取大量图像样本集合,这些样本包含要识别的对象类别的不同实例,样本的表示方式对利用样本构建的分类器的性能具有重要影响。像素级表示通常由于过于低级,而无法鲁棒地描述每一类对象的内在特征。相反,可以在多个尺度上描述图像中存在的独特图案的表示能够更好的表示图像特征。这就是 Haar
特征 (Haar features
) 的基本思想,也称为类 Haar
特征 (Haar-like features
),因为它们都源自 Haar
变换基函数 (Haar transform basis functions
)。
Haar
特征定义了像素的小矩形区域