• 操作系统：ubuntu22.04
• OpenCV版本：OpenCV4.9
• IDE:Visual Studio Code
• 编程语言：C++11

算法描述

下面描述的目标检测器最初由保罗·维奥拉[280]提出，并由莱纳·连哈特[163]改进。

首先，使用几百个特定对象（例如人脸或汽车）的样本视图（称为正样本），这些样本被缩放到相同大小（比如20x20像素），以及负样本——即相同大小的任意图像，训练一个分类器（具体来说，是一个基于Haar-like特征工作的增强分类器级联）。

训练完分类器后，它可以应用于输入图像中感兴趣区域（与训练时使用的大小相同）。如果该区域可能显示对象（即人脸/汽车），则分类器输出“1”；否则输出“0”。要在整个图像中搜索对象，可以通过在图像上移动搜索窗口并使用分类器检查每个位置。设计分类器以便它可以很容易地“调整大小”，以不同尺寸找到感兴趣的物体，这比调整图像本身的大小更有效。因此，为了在图像中找到未知大小的对象，应该在不同的尺度上多次执行扫描过程。

分类器名称中的“cascade（级联）”一词意味着最终的分类器由几个简单的分类器（阶段）组成，这些分类器依次应用于感兴趣区域，直到候选对象在某个阶段被拒绝或者通过了所有阶段。“boosted（增强）”这个词意味着级联中每个阶段的分类器本身都很复杂，它们是通过四种不同的增强技术之一（加权投票）从基本分类器构建出来的。目前支持的技术有离散Adaboost、实数Adaboost、温和Adaboost和Logitboost。基本分类器是至少有两个叶子的决策树分类器，Haar-like特征作为基本分类器的输入，其计算方式如下所述。当前算法使用以下Haar-like特征：

这段直译解释了基于Haar-like特征的目标检测器的工作原理，包括如何训练这样一个分类器，以及它是如何应用于实际图像中的目标检测任务的。它还介绍了术语“cascade”和“boosted”的含义，以及所涉及的基本分类器类型和技术。请注意，原文提到的具体Haar-like特征列表未在此段落中给出，但通常指的是各种类型的边缘、线和中心对比度等特征。

特定分类器中使用的特征由其形状（1a、2b等）、感兴趣区域内的位置及其尺度指定（需要注意的是，这里的尺度与检测阶段使用的尺度不同，但这两个尺度会相乘）。例如，在第三行特征（2c）的情况下，响应是通过计算覆盖整个特征（包括两个白色条纹和中间的黑色条纹）的矩形下的图像像素之和与黑色条纹下的图像像素之和乘以3之间的差来确定的，这样做是为了补偿不同区域大小上的差异。通过使用积分图像可以快速计算矩形区域上的像素值总和（见下文及积分图描述）。

请参阅相应的教程以获取更多详细信息。

以下参考仅适用于检测部分。还有一个名为opencv_traincascade的独立应用程序，可以从一组样本中训练级联增强分类器。

注意：
在新的C++接口中，除了Haar-like特征外，还可以使用LBP（局部二进制模式）特征。…

[Viola01] Paul Viola 和 Michael J. Jones. Rapid Object Detection using a Boosted Cascade of Simple Features. IEEE CVPR, 2001. 该论文可在线访问于 https://github.com/SvHey/thesis/blob/master/Literature/ObjectDetection/violaJones_CVPR2001.pdf