基于OpenCV Haar实战级联分类器的使用
重磅干货，第一时间送达
近年来，对象检测引起了广泛的关注。从智能手机到交通监控，目标检测已遍及每个领域。时间和准确性是对象检测中的关键约束。目标检测算法的成功取决于其特征表示技术和学习算法，后者仅关注图像的关键部分。在本文中，我们将研究一种技术“使用简单特征的增强级联进行快速对象检测”，在OpenCV级联分类器中使用以及研究级联分类器功能的用法。
图像由像素组成，像素操作成本很高。因此，我们需要更好的图像表示。
1.两个矩形特征：
甲二矩形特征计算两个矩形区域内的像素的总和之间的差。这些区域具有相同的大小和形状，并且在水平或垂直方向上相邻。上图中的A和B是示例。
2.三个矩形特征：
甲三矩形特征计算在一个中心的矩形从总和中减去2米外面的矩形内的总和。上图中的C是三边形特征类型。
3.四个矩形特征：
一个四矩形特征计算对角对矩形之间的区别。上图中的D是示例。
位置x，y处的积分图像包含x，y（含）以上和左侧的像素之和：
ii（x，y）是积分图像，I（x，y）是原始图像。
使用以下重复对：
s（x，y）是累积行总和。s（x，-1）= 0且ii（-1，y）=0。使用积分图像，可以用较少的引用获得任何矩形和。这是示例：
矩形D中像素的总和只能使用四个数组引用来计算。位置1处的积分图像的值是矩形A中像素的总和。位置2处的值为A + B，位置3处的值为A + C，位置4处的值为A + B + C + D。D内的总和可以计算为4 + 1-（2 + 3）。
同样，可以在六个数组引用中计算两个矩形特征，对于三个矩形特征，可以计算八个，对于四个矩形特征，则可以计算九个。这些矩形的图像表示为有效学习提供了足够的对象信息。
每个图像子窗口有超过180,000个矩形要素，其数量远大于像素数。即使可以非常有效地计算每个功能，但计算完整的集合也很昂贵。弱学习算法用于选择最能区分正例和负例的单个矩形特征。对于每个特征，弱学习者确定最佳阈值分类函数，以使最少数量的示例被错误分类。
在输入图像上移动一个窗口，并为图像的每个子部分计算Haar特征。从分类函数中学习到的阈值将对象和非对象分开。没有任何一个功能可以执行错误率低的分类任务。描述一个对象需要大量特征。通过对弱学习者做出的决策进行加权平均，可以获得准确的分类器。
级联的分类器用于提高检测性能，同时从根本上减少计算时间。
图像的所有部分对检测物体都不有用。因此，消除这些负样本可减少计算时间。从上图可以看出，级联分类器有很多阶段。每个阶段都包含根据上一节中提到的增强算法训练的分类器。
窗口将在图像的区域上滑动，这些区域在初始阶段将被分类为正或负。如果该区域标记为负，则窗口将滑动到下一个区域。如果为正，则分类器将进入下一阶段。如果标签在最后阶段为正，则找到对象，通过消除负样本减少了计算时间。
import cv2
face_classifier = cv2.CascadeClassifier('haarcascade_frontalface_alt_tree.xml')加载图像并应用级联分类器。
img=cv2.imread("wp4419229.jpg")faces = face_classifier.detectMultiScale(img, 1.001, 4)现在使用“面”在对象上绘制矩形。
if faces is (): print("No faces found")for (x,y,w,h) in faces: cv2.rectangle(resized, (x,y), (x+w,y+h), (127,0,255), 2) print("reached") cv2.imshow('image',resized) cv2.waitKey(0)第一个参数是图像，第二个参数是缩放因子，第三个参数是最小邻居数。Haar级联分类器在滑动窗口协议上运行，并使用缩放因子。目标窗口以最小大小开始，并且在测试了该大小的所有窗口之后，使用缩放因子将窗口放大，直到达到最大大小。
使用上述协议，我们将获得许多对单个面孔的响应。邻居的最小数量是较低的阈值，即，如果响应高于阈值，则该区域为有效对象，最小和最大大小都可以作为参数传递。
使用级联分类器，我们可以提高深度神经网络分类器（二进制或多类）的准确性。我们可以使用级联分类器来裁剪仅包含对象的图像，并将其单独传递给分类器。由于消除了图像的不必要部分，因此提高了准确性。