浅析人脸检测之Haar分类器方法：Haar特征、积分图、 AdaBoost 、级联（3） 检测

yuyang911220

2.3、强分类器的强强联手
        至今为止我们好像一直在讲分类器的训练，实际上Haar分类器是有两个体系的，训练的体系，和检测的体系。训练的部分大致都提到了，还剩下最后一部分就是对筛选式级联分类器的训练。我们看到了通过AdaBoost算法辛苦的训练出了强分类器，然而在现实的人脸检测中，只靠一个强分类器还是难以保证检测的正确率，这个时候，需要一个豪华的阵容，训练出多个强分类器将它们强强联手，最终形成正确率很高的级联分类器这就是我们最终的目标Haar分类器。
         那么训练级联分类器的目的就是为了检测的时候，更加准确，这涉及到Haar分类器的另一个体系，检测体系，检测体系是以现实中的一幅大图片作为输入，然后对图片中进行多区域，多尺度的检测，所谓多区域，是要对图片划分多块，对每个块进行检测，由于训练的时候用的照片一般都是20*20左右的小图片，所以对于大的人脸，还需要进行多尺度的检测，多尺度检测机制一般有两种策略，一种是不改变搜索窗口的大小，而不断缩放图片，这种方法显然需要对每个缩放后的图片进行区域特征值的运算，效率不高，而另一种方法，是不断初始化搜索窗口size为训练时的图片大小，不断扩大搜索窗口，进行搜索，解决了第一种方法的弱势。在区域放大的过程中会出现同一个人脸被多次检测，这需要进行区域的合并，这里不作探讨。
         无论哪一种搜索方法，都会为输入图片输出大量的子窗口图像，这些子窗口图像经过筛选式级联分类器会不断地被每一个节点筛选，抛弃或通过。
它的结构如图所示。

我想你一定觉得很熟悉，这个结构不是很像一个简单的决策树么。
在代码中，它的结构如下：


/* internal tree cascade classifier node */
typedef struct CvTreeCascadeNode
{
     CvStageHaarClassifier* stage;
     struct CvTreeCascadeNode* next;
     struct CvTreeCascadeNode* child;
     struct CvTreeCascadeNode* parent;
     struct CvTreeCascadeNode* next_same_level;
     struct CvTreeCascadeNode* child_eval;
     int idx;
     int leaf;
} CvTreeCascadeNode;


/* internal tree cascade classifier */
typedef struct CvTreeCascadeClassifier
{
     CV_INT_HAAR_CLASSIFIER_FIELDS()
     CvTreeCascadeNode* root;      /* root of the tree */
     CvTreeCascadeNode* root_eval; /* root node for the filtering */
     int next_idx;
} CvTreeCascadeClassifier;