整理Rapid object detection using a boosted cascade of simple features论文中的要点

最新推荐文章于 2022-10-06 01:23:46 发布

原创

最新推荐文章于 2022-10-06 01:23:46 发布 · 3.1k 阅读

6 ·

CC 4.0 BY-SA版权

这篇博客梳理了Rapid object detection using a boosted cascade of simple features论文的关键点，包括使用haar特征和积分图加速计算，通过adaboost选择特征形成强分类器，并采用cascade方法进行目标检测。文章讨论了如何避免重复标记目标，并分析了该方法的优缺点，如依赖所有层的性能，调整参数的困难以及在某些场景下的局限性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

整理Rapid object detection using a boosted cascade of simple features论文中的要点

使用haar特征：在24*24像素的框内有180000以上不同的haar特征（怎么算的？？？）：终于知道怎么算的了：http://blog.youkuaiyun.com/xiaowei_cqu/article/details/8216109（其实就是讲的论文An extended set of Haar-like features for rapid object detection）

使用积分图加速计算haar：道理简单

使用adaboost选取特征（怎么选的）：
强分类器的诞生需要T轮的迭代，具体操作如下：
1. 给定训练样本集S，共N个样本，其中X和Y分别对应于正样本和负样本； T为训练的最大循环次数；　　
2. 初始化样本权重为1/N ，即为训练样本的初始概率分布；　　
3. 第一次迭代训练N个样本，得到第一个最优弱分类器，步骤见2.2.2节
4. 提高上一轮中被误判的样本的权重；
5. 将新的样本和上次本分错的样本放在一起进行新一轮的训练。
6. 循环执行4-5步骤，T轮后得到T个最优弱分类器
（http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html#!comments，另外一个讲解该论文的博文，内容比较详细）

使用cascade的方法（这个还比较好理解，但是每层用几个特征又是怎么定的）
理解：第一层基本上将阈值调到极限，就是只有非常不像脸的才被排除，至少99.99%的脸还有一堆不是脸的留下来。第二层就收紧这个阈值，开始能更加剔除更多的不是脸的，依此类推。由于图像中大部