模式识别（目标检测）

最新推荐文章于 2023-01-02 11:15:34 发布

端午过后的猪

最新推荐文章于 2023-01-02 11:15:34 发布

阅读量2.8k

点赞数

本文链接：https://blog.csdn.net/u013203733/article/details/73870647

版权

本文介绍了目标检测方法，起源于Paul Viola和Rainer Lienhart的工作。该方法使用级联的Boosted分类器，基于Harr特征进行训练，用于识别如人脸或汽车等目标。分类器在不同尺寸的搜索窗口中滑动，以检测图像中的目标物体。级联结构允许在早期阶段排除大部分非目标区域，提高检测效率。Adaboost等四种boosting技术被用来组合简单分类器，而Harr特征则作为基本的特征描述。

摘要由CSDN通过智能技术生成

目标检测方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart[Lienhart02]对这一方法进行了改善. 首先，利用样本（大约几百幅样本图片）的 harr特征进行分类器训练，得到一个级联的boosted分类器。训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本(例如人脸或汽车等)，反例样本指其它任意图片，所有的样本图片都被归一化为同样的尺寸大小(例如，20x20)。

分类器训练完以后，就可以应用于输入图像中的感兴趣区域(与训练样本相同的尺寸)的检测。检测到目标区域(汽车或人脸)分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。

分类器中的“级联”是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器，这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。目前支持这种分类器的boosting技术有四种： Discrete Adaboost, Real Adaboost, GentleAdaboost and Logitboost。"boosted"即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。基础分类器是至少有两个叶结点的决策树分类器。