[论文理解] Rapid-Object-Detection-using-a-Boosted-cascade-of-simple-features

Rapid-Object-Detection-using-a-Boosted-cascade-of-simple-features

简介

文章是2001年发表的，是一篇很经典的Object Detection的文章，而文章的亮点就在于使用了”Integral Image“计算Haar-like特征，从而加速了计算；此外，文章提出利用级联的方式分类，将很多非脸特征在前面剔除了，减少了大量的计算。文章采用Adaboost训练弱分类器组成强分类器，使得分类精度也很不错，而最大的两点就是其速度在当时也是非常快的。

Haar-like Features

文章使用的haar特征是下面四种，也就是白色区域的像素值与黑色区域像素值之差。其中，C图和D图先分别把黑色、白色区域像素值相加，然后相减。文章提到，使用24*24的滑窗，得到的特征数量超过180,000。

Integral Image

其实理解起来很简单，就是计算某个矩形区域内的像素值的和，比如下面这个图，我们要计算D区域的像素值的和，那我们就可以用s4（表示4点之前的所有像素和，后面一样）-s2-s3+s1计算得到，这样又什么好处呢？减少重复计算。比如算上图中的C类型的特征时，本来要算10点的求和值，但是由于有四个点时重用点，所以只需要算8点。可以利用动态规划全部算完，空间换时间的算法。

Adaboost 算法

”三个臭皮匠顶个诸葛亮“，我理解的Adaboost算法有两个很重要的点，是样本的权重，另一个是分类器的权重，Adaboost算法做的就是先给每个样本分配一个平均权重（样本概率分布），然后根据每个特征训练专门识别这个特征的分类器，这些分类器都是若分类器，但是对某一特征的分类能力很强，但是训练过程中肯定也会出现分错的样本，这时候我们就把分错的样本的权重增加，把分对的分类器的权重增加，进行迭代，前者是为了更好的训练错误率大的样本，后者是为了提高分类器的准确率。然后把弱分类器根据权重线性相加，组合起来就是一个强分类器，我们最终根据强分类器的计算结果来进行分类。

算法流程

本文应用

Attentional Cascade

我理解的就是在最前面放一些能够明显区别非脸特征的分类器，这样如果不是脸部特征，后面的计算就可以不用计算了，直接下一个window。

Learning Results

前两张图是通过adaboost得到的分类器中权重最大的两个特征，按照我的理解，这两个特征在原图中的反映就是人的眼部的亮度和脸部的亮度不同，以及人的两眼之间的亮度与中间鼻梁部分的亮度不同。

链接：论文原文