基於Cascade分類器的目標檢測

       從今天開始進入基於機器學習的目標檢測，前幾節雖然也接觸了一些機器學習的方法，但它主要是做輔助工作，機器學習的方法和非機器學習的方法結合在一起使用，說到這想起來前幾天看到一位博士師兄發的笑話，說的是百度實驗室：

      Theory is when you know everthing but nothing works.

      Practice is when everything works but no one knows why.

      In our lab,theory and practice are  combined:nothing works and no one knows why.

         目前而言，甭管理論好壞吧，只要實用就行，實用的未必是好理論，就像深度學習那樣，不說太遠了，繼續今天的話題，Cascade是Paul Viola發表在2001年的CVPR上，2002年Rainer Lienhart等人改進了Paul的方法，主要是改進了特徵並且分析了不同的boosting演算法對分類效能的影響和計算複雜度，OpenCV實現的Cascade的分類器也是Rainer的改進版本。所謂不同的boosting演算法就是說不同的Adaboost弱分類器，比如Discrete, Real 和 Gentle Adaboost弱分類器，而Cascade（級聯）分類器就是基於多個Adaboot弱分類器對不同的特徵進行依次處理（分類）來完成對目標的檢測，簡單的說有多個Adaboost串起來，然後提取每個平滑窗（sliding window）上的不同特徵，把這些特徵依次放進不同的Adaboost弱分類器裡判斷，如果所有的弱分類器都判斷正標籤（1），則表示該該平滑窗內檢測到目標，如（圖一）所示。這樣做的好處是不但通過多個弱分類器來形成一個強的級聯分類器，而且可以減少運算量，比如當一個平滑窗第一個特徵沒有通過第一個分類器，那麼就沒有必要繼續運算下去，直接拒絕掉當前平滑窗，轉而處理下一個平滑窗，事實上作者的目的就是為了快速拋棄沒有目標的平滑窗，從而達到快速檢測目標。

（圖一）

       知道了Cascade強分類器是基於Adaboost演算法的，那我們先看下Adaboost弱分類器的工作原理吧，直接上圖，很簡單，如圖二所示：

（圖二）

        但OpenCV裡還不是用的這個Adaboost,而是用的Rainer等人改進的Gentle Adaboost弱分類器，Gentle Adabboost弱分類器的工作原理如（圖三）所示：

（圖三）

         Rainer等人比較了DiscreteAdaboost，Real Adaboost，Gentle Adaboost弱分類器，發現Gentle Adaboost弱分類器比其他兩種效果，但是作者沒有詳細討論為什麼比他們好，作者只是給出了實際檢測的效能比較分析圖，我也沒看出為什麼，如果你們知道為什麼，請毫不吝嗇的告知，在此先謝過了，為了嚴謹，把三種分類器的效能分析比較圖也發出來吧，如（圖四）所示：

（圖四）

         其中GAB表示Gentle Adaboost，RAB表示Real Adaboost，DAB表示Discrete Adaboost。

         好了，介紹完了分類器的工作原理，下面來看下使用的是什麼特徵。2001年Paul Viola的CVPR上用的幾個不同的特徵很簡單，就是平滑窗內某些區域畫素和的差值，比如（圖五）所示的，外圍黑色框表示平滑窗，窗內固定的位置有個黑白相間的矩形區域，黑色表示該位置上的畫素每個權重都是負一（-1），白色位置上的畫素權重為正一（1），然後權重於畫素卷積得到的值就是特徵值，就一個數字（說的白話一點，就是每個畫素值乘上權值後，然後黑白相間的矩形區域相加），不同的黑白相間的矩形區域的計算得到不同的特徵，作者還提出一個加速計算這個特徵的方法，就是積分圖，在此不說了，網上很多。

（圖五）

         同樣，OpenCV的實現也沒有使用上述特徵，而是使用了2002年Rainer 等人改進的Harr-like特徵，計算方法也類似，如圖六所示：

（圖六）

        也是矩形區域，不過不同的特徵變化的樣式多了一些，Rainer也提出了一些快速計算方法，具體閱讀參考論文吧。有了特徵，有了級聯分類器，就是訓練和檢測了。

        直接呼叫OpenCV的例子程式檢測的效果如（圖七）所示：

（圖七）

         這節比較簡單，只所以要說這個cascade分類器，是因為前一節用到了這個分類器用於檢測人臉，而且後續也會出現cascade級聯的思想，也可以給自己查漏補缺，寫作倉促，難免有錯，如發現請指出，謝謝。

      有人做過測試：Opencv的正臉檢測精度是68.84058%

                                  Total images 1104

                                   Total correct  760

                                   Total false negatives 314

                                    Total false positives 30%

                                    accurate  68.84058

                                   側臉識別精度是33.00091

                                  Total images 1103
                                  Total correct 364
                                  Total false  negatives 721
                                  Total false  positives 18
                                  % accurate 33.00091

參考文獻：

       [1]Rapid Object Detection using a Boosted Cascade of Simple Features. Paul Viola

       [2]Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object  Detection. Rainer Lienhart, Alexander Kuranov, Vadim Pisarevsky