如何通过Harr特征级联分类器技术实现高效目标检测？

本文共计2817个文字，预计阅读时间需要12分钟。

前言——近期在学习人脸目标检测任务时，使用了Haar人脸检测算法。这个算法实现起来非常简洁，只需读取一个.xml文件，调用函数即可使用。然而，深入理解这个算法的原理却非常复杂，且颇具优势。

前言

 最近在学习人脸的目标检测任务时，用了Haar人脸检测算法，这个算法实现起来太简洁了，读入个.xml，调用函数就能用。但是深入了解我发现这个算法原理很复杂，也很优秀。究其根源，于是我找了好些篇相关论文，主要读了2001年Paul Viola和Michael Jones在CVPR上发表的一篇可以说是震惊了计算机视觉的文章，《Rapid Objection Dection using a Boosted Cascade of Simple Features》。这个算法最大的特点就是快！在当时，它能够做到实时演示人脸检测效果，这在当时的硬件情况下是非常震惊的，且还具有极高的准确率。同时在2011年，这篇论文在科罗多拉的会议上获得了“十年内影响最为深远的一篇文章”。在我们知道这篇文章有多么的NB之后，接下来我们来细细的品味这篇文章的技术细节。

根据论文Abstract描述，该论文主要有三个巨大贡献：

• 第一个贡献是引入了“积分图”的图像表示方法，它能够加快检测时的计算速度；
• 第二个贡献是提出了一个基于AdaBoost的学习算法，它能够从大量的数据中提取少量且有效的特征来学习一个高效的分类器；
• 第三个贡献是提出了注意力级联的算法，它能够让分类器更多聚焦于object-like区别，而不是与被检测目标无关的背景图像等区域，也是极大的加快了目标检测速度。