關於對級聯分類器理解的乙個誤區：
之前一直以為流程是這樣的，從最大尺寸開始，每次根據scalefactor進行縮小，直到縮小到下限。。。
後來發現不管怎麼縮小下限，都會輸出同乙個結果：
比如原先輸出到尺寸為24，然而24的尺寸不能檢測到我希望捕捉到更小目標，不斷地調節級聯分類器的最小尺寸和每次縮放比例，並不能繼續減小輸出框的尺寸，始終是24.
不斷摸索查資料，最終才知道檢測框的尺寸必須比訓練樣本的尺寸大，訓練模型的樣本尺寸就是24，因此不可能低於24，調整原影象的縮放比例才是解決之道。
經過測試，級聯分類器輸出rect框的尺寸大小：以樣本尺寸為出發點，每次乘以scalefactor進行放大，但放大尺寸不可超過最大尺寸。
以樣本尺寸24為例，scalefactor比例為1.5，最大尺寸為50；則輸出到可能尺寸為：24，36（36*1.5=54超過50，不輸出）；
人臉檢測級聯分類器
對於人臉識別這種型別的應用來說，通常都會分為幾個步驟 人臉檢測 face detection 檢測到人臉所在的區域。並進行一系列的矯正。人臉校準 face alignment 人臉校準指的是在中尋找到鼻子 眼睛 嘴巴之類的位置。如圖中，紅色的框是在進行檢測，白色的點是在進行校準。資訊識別 info ...
opencv之分類級聯器 人臉檢測
分類器逐級篩選最終選定人臉，可以通過haar積分 lbp檢測方法實現，opencv已經實現現成的分類其我們可以拿來直接使用。分類器存放在 linux環境下 opencv原始碼編譯路徑下的share opencvx haarcascades路徑下的.xml檔案 haarcascade eye.xml ...
基於級聯分類器的目標檢測objdect
opencv支援的目標檢測的方法是利用樣本的haar特徵進行的分類器訓練，得到的級聯boosted分類器 cascade classification 注意，新版本的c 介面除了haar特徵以外也可以使用lbp特徵。先介紹一下相關的結構，級聯分類器的計算特徵值的基礎類featureevaluator...