本文主要是介绍关于opencv-CascadeClassifier(级联分类器)的初步认识，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
级联分类器包括两个：训练和检测；
这里主要是介绍检测部分；
如果需要利用cascade训练模型，可以参考：opencv级联分类器训练过程记载
关于CascadeClassifier的简介：
CascadeClassifier是opencv下objdetect模块中用来做目标检测的级联分类器的一个类；简而言之是滑动窗口机制+级联分类器的方式；早期opencv版本仅支持haar特征的目标检测，分别在opencv2.2和2.4之后开始支持LBP和HOG特征的目标检测。
Haar特征：
类Haar-like特征描述如下图：
在所有缩放尺度下，这些特征组成了boosting分类器使用的全部“原材料”。他们从原始灰度图像的积分图中快速计算得出。
LBP特征：
LBP是一种描述图像局部纹理特征的算子，被用于Viola-Jones检测器，回想Haar小波，它是在一小块邻域上通过小波变换的特征向量，而LBP在构造特征向量与此不同，在一个长宽都为3的倍数的矩形上，将它分割成不相重叠的3*3的小块，在每一个小块上，用积分图计算像素和，然后将中心点像素与周围8个像素点比较得到一个8位的特征值，用来描述相应矩形的特征。
HOG特征：
局部归一化的梯度方向直方图，是一种对图像局部重叠区域的密集型描述符, 它通过计算局部区域的梯度方向直方图来构成特征。
本质：统计图像局部区域的梯度方向信息来作为该局部图像区域的表征。
解读CascadeClassifier源代码：
打开:opencvXXX/include/opencv2/objdetect.hpp:
class CV_EXPORTS_W CascadeClassifier
{
pubilc:CV_WRAP CascadeClassifier();// @param filename Name of the file from which the classifier is loaded.//构造函数；@参数：要加载的分类器名称CV_WRAP CascadeClassifier(const String& filename);~CascadeClassifier();//@brief Checks whether the classifier has been loaded.//判断分类器是否已加载CV_WRAP bool empty() const;//@param filename Name of the file from which the classifier is loaded. //加载分类器；@参数：要加载的分类器名称CV_WRAP bool load( const String& filename );// @brief Reads a classifier from a FileStorage node.// @note The file may contain a new cascade classifier (trained traincascade application) only.//从FileStorage节点中读取一个分类器CV_WRAP bool read( const FileNode& node );//关于detectMultiScale有三个重载： //@brief Detects objects of different sizes in the input image. The detected objects are returned as a list of rectangles.//@param image Matrix of the type CV_8U containing an image where objects are detected.//@param objects Vector of rectangles where each rectangle contains the detected object, the rectangles may be partially outside the original image.//@param scaleFactor Parameter specifying how much the image size is reduced at each image scale.//@param minNeighbors Parameter specifying how many neighbors each candidate rectangle should have to retain it.//@param flags Parameter with the same meaning for an old cascade as in the function cvHaarDetectObjects. It is not used for a new cascade.//@param minSize Minimum possible object size. Objects smaller than that are ignored.//@param maxSize Maximum possible object size. Objects larger than that are ignored. If `maxSize == minSize` model is evaluated on single scale.//实现多尺度检测，检测物体返回一组矩形；//image：输入CV_8U的待检测图像//objects:返回vector<Rect>&类型的检测结果，一组包含检测目标的矩形，其中的矩形可能会部分的在原始图像外侧//scaleFactor:指定在每个图像缩放时图像大小减少了多少，搜索前后两次窗口大小比例系数//minNeighbors:指定每一个候选矩形至少保留着多少相邻矩形//flags:对于旧级联分类器与cvHaarDetectObjects中有相同的含义，不作用于新的级联分类器//目标可检测的最小尺寸，小于该尺寸的目标将被忽略//目标可检测的最大尺寸，大于该尺寸的目标将被忽略CV_WRAP void detectMultiScale( InputArray image,CV_OUT std::vector<Rect>& objects,double scaleFactor = 1.1,int minNeighbors = 3,int flags=0,Size minSize=Size(),Size maxSize=Size())//@param numDetections Vector of detection numbers for the corresponding objects.//numDetections:vector<int>&,返回对应目标的检测数目的vectorCV_WRAP_AS(detectMultiScale2) void detectMultiScale( InputArray image,CV_OUT std::vector<Rect>& objects,CV_OUT std::vector<int>& numDetections,double scaleFactor=1.1,int minNeighbors=3, int flags=0,Size minSize=Size(),Size maxSize=Size() );// if `outputRejectLevels` is `true` returns `rejectLevels` and `levelWeights`CV_WRAP_AS(detectMultiScale2) void detectMultiScale( InputArray image,CV_OUT std::vector<Rect>& objects,CV_OUT std::vector<int>& numDetections,double scaleFactor=1.1,int minNeighbors=3, int flags=0,Size minSize=Size(),Size maxSize=Size() );CV_WRAP bool isOldFormatCascade() const;CV_WRAP Size getOriginalWindowSize() const;CV_WRAP int getFeatureType() const;void* getOldCascade();CV_WRAP static bool convert(const String& oldcascade, const String& newcascade);void setMaskGenerator(const Ptr<BaseCascadeClassifier::MaskGenerator>& maskGenerator);Ptr<BaseCascadeClassifier::MaskGenerator> getMaskGenerator();Ptr<BaseCascadeClassifier> cc;}一般检测步骤(视频取帧)：
1.load()加载xml级联分类器
CascadeClassifier g_cascade
g_cascade.load("XXX/YYY.xml");
2.从视频中取帧，导出image；
3.图像灰度化；
4.图像resize；
5.调用detectMultiScale()实现多尺度检测：
g_cascade.detectMultiScale(InputArray image, //输入图像CV_OUT std::vector<Rect>& objects, //输出检测到的目标区域double scaleFactor =1.1, //搜索前后两次窗口大小比例系数，默认1.1，即每次搜索窗口扩大10%int minNeighbors = 3, //构成检测目标的相邻矩形的最小个数 如果组成检测目标的小矩形的个数和小于minneighbors - 1 都会被排除，如果minneighbors为0 则函数不做任何操作就返回所有被检候选矩形框int flags = 0, //若设置为CV_HAAR_DO_CANNY_PRUNING 函数将会使用Canny边缘检测来排除边缘过多或过少的区域 Size minSize = Size(), //能检测的最小尺寸Size maxSize = Size() //能检测的最大尺寸);
注：detectMultiScale的检测过程是从最大的size逐步缩小，而不是从最小尺寸逐步扩大(在之前的一个项目中，我需要继续缩小最小框的检测尺寸，因此尝试修改函数的最小尺寸，却并没能影响检测结果；其实应该在减小最小框的检测尺寸的同时，调整scaleFactor，让函数可以继续缩小检测框而不到达下限)
关于对级联分类器理解的一个误区：
之前一直以为流程是这样的，从最大尺寸开始，每次根据scaleFactor进行缩小，直到缩小到下限。。。
后来发现不管怎么缩小下限，都会输出同一个结果：
比如原先输出到尺寸为24，然而24的尺寸不能检测到我希望捕捉到更小目标，不断地调节级联分类器的最小尺寸和每次缩放比例，并不能继续减小输出框的尺寸，始终是24.
不断摸索查资料，最终才知道检测框的尺寸必须比训练样本的尺寸大，训练模型的样本尺寸就是24，因此不可能低于24，调整原图像的缩放比例才是解决之道。
关于minNeighbors的直观感受：
minNeighbors过小会出现大量误检；minNeighbors过大则会有一些目标检测不出；
调节minNeighbors类似于调节一个阈值，来判断是否为目标；
如果需要利用cascade训练模型，可以参考：opencv级联分类器训练过程记载
这篇关于关于opencv-CascadeClassifier(级联分类器)的初步认识的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
