【目标检测】目标检测原理与实现(五)--基于Cascade分类器的目标检测

本文转载自http://blog.csdn.net/marvin521/article/details/9173645，转载为了以后阅读方便，如有侵权，请联系，立刻删除。

基于Cascade分类器的目标检测

 

       从今天开始进入基于机器学习的目标检测，前几节虽然也接触了一些机器学习的方法，但它主要是做辅助工作，机器学习的方法和非机器学习的方法结合在一起使用，说到这想起来前几天看到一位博士师兄发的笑话，说的是百度实验室：

      Theory is when you know everthing but nothing works.

      Practice is when everything works but no one knows why.

      In our lab,theory and practice are  combined:nothing works and no one knows why.

         目前而言，甭管理论好坏吧，只要实用就行，实用的未必是好理论，就像深度学习那样，不说太远了，继续今天的话题，Cascade是Paul Viola发表在2001年的CVPR上，2002年Rainer Lienhart等人改进了Paul的方法，主要是改进了特征并且分析了不同的boosting算法对分类性能的影响和计算复杂度，OpenCV实现的Cascade的分类器也是Rainer的改进版本。所谓不同的boosting算法就是说不同的Adaboost弱分类器，比如Discrete, Real 和 Gentle Adaboost弱分类器，而Cascade（级联）分类器就是基于多个Adaboot弱分类器对不同的特征进行依次处理（分类）来完成对目标的检测，简单的说有多个Adaboost串起来，然后提取每个平滑窗（sliding window）上的不同特征，把这些特征依次放进不同的Adaboost弱分类器里判断，如果所有的弱分类器都判断正标签（1），则表示该该平滑窗内检测到目标，如（图一）所示。这样做的好处是不但通过多个弱分类器来形成一个强的级联分类器，而且可以减少运算量，比如当一个平滑窗第一个特征没有通过第一个分类器，那么就没有必要继续运算下去，直接拒绝掉当前平滑窗，转而处理下一个平滑窗，事实上作者的目的就是为了快速抛弃没有目标的平滑窗，从而达到快速检测目标。

 

（图一）

       知道了Cascade强分类器是基于Adaboost算法的，那我们先看下Adaboost弱分类器的工作原理吧，直接上图，很简单，如图二所示：

 

（图二）

        但OpenCV里还不是用的这个Adaboost,而是用的Rainer等人改进的Gentle Adaboost弱分类器，Gentle Adabboost弱分类器的工作原理如（图三）所示：

 

（图三）

         Rainer等人比较了DiscreteAdaboost，Real Adaboost，Gentle Adaboost弱分类器，发现Gentle Adaboost弱分类器比其他两种效果，但是作者没有详细讨论为什么比他们好，作者只是给出了实际检测的性能比较分析图，我也没看出为什么，如果你们知道为什么，请毫不吝啬的告知，在此先谢过了，为了严谨，把三种分类器的性能分析比较图也发出来吧，如（图四）所示：

 

（图四）

         其中GAB表示Gentle Adaboost，RAB表示Real Adaboost，DAB表示Discrete Adaboost。

         好了，介绍完了分类器的工作原理，下面来看下使用的是什么特征。2001年Paul Viola的CVPR上用的几个不同的特征很简单，就是平滑窗内某些区域像素和的差值，比如（图五）所示的，外围黑色框表示平滑窗，窗内固定的位置有个黑白相间的矩形区域，黑色表示该位置上的像素每个权重都是负一（-1），白色位置上的像素权重为正一（1），然后权重于像素卷积得到的值就是特征值，就一个数字（说的白话一点，就是每个像素值乘上权值后，然后黑白相间的矩形区域相加），不同的黑白相间的矩形区域的计算得到不同的特征，作者还提出一个加速计算这个特征的方法，就是积分图，在此不说了，网上很多。

 

（图五）

         同样，OpenCV的实现也没有使用上述特征，而是使用了2002年Rainer 等人改进的Harr-like特征，计算方法也类似，如图六所示：

 

（图六）

        也是矩形区域，不过不同的特征变化的样式多了一些，Rainer也提出了一些快速计算方法，具体阅读参考论文吧。有了特征，有了级联分类器，就是训练和检测了。

        直接调用OpenCV的例子程序检测的效果如（图七）所示：

 

（图七）

         这节比较简单，只所以要说这个cascade分类器，是因为前一节用到了这个分类器用于检测人脸，而且后续也会出现cascade级联的思想，也可以给自己查漏补缺，写作仓促，难免有错，如发现请指出，谢谢。

 

      有人做过测试：Opencv的正脸检测精度是68.84058%

                                  Total images 1104

                                   Total correct  760

                                   Total false negatives 314

                                    Total false positives 30% 

                                    accurate  68.84058

                                   侧脸识别精度是33.00091

                                  Total images 1103
                                  Total correct   364
                                  Total false  negatives 721
                                  Total false  positives 18
                                  % accurate  33.00091

 

参考文献：

       [1]Rapid Object Detection using a Boosted Cascade of Simple Features. Paul Viola

       [2]Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object  Detection. Rainer Lienhart, Alexander Kuranov, Vadim Pisarevsky