31、基于示例的学习：OpenCV 分类器级联与支持向量机

基于示例的学习：OpenCV 分类器级联与支持向量机

在计算机视觉领域，利用示例进行学习是构建有效分类器的重要方法。本文将详细介绍如何使用 OpenCV 构建分类器级联，以及如何结合支持向量机（SVM）和方向梯度直方图（HOG）进行对象检测。

1. 基于 Haar 特征的分类器级联构建

1.1 基本原理

分类器级联背后有两个核心思想：一是通过组合多个弱分类器（基于简单特征）可以构建一个强分类器；二是在机器视觉中，负样本比正样本更常见，因此可以分阶段进行有效分类。早期阶段快速排除明显的负样本，后期阶段对更难的样本做出更精确的决策。

1.2 学习算法步骤

• 弱分类器构建 ：使用 Haar 特征构建弱分类器。应用一个给定类型、大小和位置的 Haar 特征会得到一个值，通过找到能根据此特征值最佳分类正负样本的阈值，得到一个简单分类器。为找到最优阈值，需要使用一定数量的正负样本（由 opencv_traincascade 工具的 -numPos 和 -numNeg 参数指定）。由于有大量可能的 Haar 特征，需要检查所有特征并选择对样本集分类效果最好的特征。
• 强分类器构建 ：由于单个简单分类器会出错，因此需要迭代添加多个这样的分类器。每次迭代时，关注当前被错误分类的样本，通过给错误分类的样本赋予更高的权重来衡量分类性能。最终得到一组简单分类器，通过对这些弱分类器进行加权求和（性能更好的分类器权重更高）构建强分类器。