目標(biāo)檢測(cè)方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]對(duì)這一方法進(jìn)行了改善. 首先，利用樣本（大約幾百幅樣本圖片）的 harr 特征進(jìn)行分類(lèi)器訓(xùn)練，得到一個(gè)級(jí)聯(lián)的boosted分類(lèi)器。訓(xùn)練樣本分為正例樣本和反例樣本，其中正例樣本是指待檢目標(biāo)樣本(例如人臉或汽車(chē)等)，反例樣 本指其它任意圖片，所有的樣本圖片都被歸一化為同樣的尺寸大小(例如，20x20)。

分類(lèi)器訓(xùn)練完以后，就可以應(yīng)用于輸入圖像中的感興 趣區(qū)域(與訓(xùn)練樣本相同的尺寸)的檢測(cè)。檢測(cè)到目標(biāo)區(qū)域(汽車(chē)或人臉)分類(lèi)器輸出為1， 否則輸出為0。為了檢測(cè)整副圖像，可以在圖像中移動(dòng)搜索窗口，檢測(cè)每一個(gè)位置來(lái)確定可能的目標(biāo)。 為了搜索不同大小的目標(biāo)物體，分類(lèi)器被設(shè)計(jì)為可以進(jìn)行尺寸改變，這樣比改變待檢圖像的尺寸大小更為有效。所以，為了在圖像中檢測(cè)未知大小的目標(biāo)物體，掃描 程序通常需要用不同比例大小的搜索窗口對(duì)圖片進(jìn)行幾次掃描。

分類(lèi)器中的“級(jí)聯(lián)”是指最終的分類(lèi)器是由幾個(gè)簡(jiǎn)單分類(lèi)器級(jí)聯(lián)組成。在圖像檢 測(cè)中，被檢窗口依次通過(guò)每一級(jí)分類(lèi)器， 這樣在前面幾層的檢測(cè)中大部分的候選區(qū)域就被排除了，全部通過(guò)每一級(jí)分類(lèi)器檢測(cè)的區(qū)域即為目標(biāo)區(qū)域。 目前支持這種分類(lèi)器的boosting技術(shù)有四種： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。"boosted" 即指級(jí)聯(lián)分類(lèi)器的每一層都可以從中選取一個(gè)boosting算法(權(quán)重投票)，并利用基礎(chǔ)分類(lèi)器的自我訓(xùn)練得到?；A(chǔ)分類(lèi)器是至少有兩個(gè)葉結(jié)點(diǎn)的決策樹(shù)分 類(lèi)器。 Haar特征是基礎(chǔ)分類(lèi)器的輸入，主要描述如下。目前的算法主要利用下面的Harr特征。

每 個(gè)特定分類(lèi)器所使用的特征用形狀、感興趣區(qū)域中的位置以及比例系數(shù)（這里的比例系數(shù)跟檢測(cè)時(shí)候采用的比例系數(shù)是不一樣的，盡管最后會(huì)取兩 個(gè)系數(shù)的乘積值）來(lái)定義。例如在第三行特征(2c)的情況下，響應(yīng)計(jì)算為覆蓋全部特征整個(gè)矩形框(包括兩個(gè)白色矩形框和一個(gè)黑色矩形框)象素的和減去黑色 矩形框內(nèi)象素和的三倍 。每個(gè)矩形框內(nèi)的象素和都可以通過(guò)積分圖象很快的計(jì)算出來(lái)。(察看下面和對(duì)cvIntegral的描述).

通過(guò)HaarFaceDetect 的演示版可以察看目標(biāo)檢測(cè)的工作情況。

目標(biāo)檢測(cè)