**自
再opencv的chm幫助檔案中解釋:
目標檢測方法最初由paul viola [viola01]提出，並由rainer lienhart [lienhart02]對這一方法進行了改善. 首先，利用樣本（大約幾百幅樣本）的 harr 特徵進行分類器訓練，得到乙個級聯的boosted分類器。訓練樣本分為正例樣本和反例樣本，其中正例樣本是指待檢目標樣本(例如人臉或汽車等)，反例樣本指其它任意，所有的樣本都被歸一化為同樣的尺寸大小(例如，20x20)。
分類器訓練完以後，就可以應用於輸入影象中的感興趣區域(與訓練樣本相同的尺寸)的檢測。檢測到目標區域(汽車或人臉)分類器輸出為1，否則輸出為0。為了檢測整副影象，可以在影象中移動搜尋視窗，檢測每乙個位置來確定可能的目標。 為了搜尋不同大小的目標物體，分類器被設計為可以進行尺寸改變，這樣比改變待檢影象的尺寸大小更為有效。所以，為了在影象中檢測未知大小的目標物體，掃瞄程式通常需要用不同比例大小的搜尋視窗對進行幾次掃瞄。
分類器中的「級聯」是指最終的分類器是由幾個簡單分類器級聯組成。在影象檢測中，被檢視窗依次通過每一級分類器， 這樣在前面幾層的檢測中大部分的候選區域就被排除了，全部通過每一級分類器檢測的區域即為目標區域。 目前支援這種分類器的boosting技術有四種： discrete adaboost, real adaboost, gentle adaboost and logitboost。"boosted" 即指級聯分類器的每一層都可以從中選取乙個boosting演算法(權重投票)，並利用基礎分類器的自我訓練得到。基礎分類器是至少有兩個葉結點的決策樹分類器。 haar特徵是基礎分類器的輸入，主要描述如下。目前的演算法主要利用下面的harr特徵。
每個特定分類器所使用的特徵用形狀、感興趣區域中的位置以及比例係數（這裡的比例係數跟檢測時候採用的比例係數是不一樣的，儘管最後會取兩個係數的乘積值）來定義。例如在第三行特徵(2c)的情況下，響應計算為覆蓋全部特徵整個矩形框(包括兩個白色矩形框和乙個黑色矩形框)象素的和減去黑色矩形框內象素和的三倍 。每個矩形框內的象素和都可以通過積分圖象很快的計算出來。
opencv運動物體檢測
參考資料 python opencv實現動態物體追蹤 python opencv實踐 一 基於顏色的物體追蹤 上 在hsv顏色空間識別區域顏色 opencv python tutorials opencv形態學處理 opencvl輪廓檢測函式 樹莓派智慧型小車結合攝像頭，opencv進行物體追蹤 給...
運動物體目標檢測實現 基於OpenCV
基於opencv實現的乙個運動目標檢測演算法，可以用來檢測行人，車輛等運動目標。include include include include int main int argc,char argv 宣告iplimage指標 iplimage pframe null iplimage pfrimg ...
運動物體的檢測 初
最近為了實現運動物體的檢測這一功能，在網路上找了許多材料，但是大都不容易實現或者晦澀難懂，於是決定從基礎入手，先對兩張大小相同但略有差異的兩張進行操作，基本步驟是首先對兩張進行相減操作，把差值圖放在另外一張大小相同的圖上，之後對這張圖進行闕值化操作，然後再尋找輪廓，用矩形圈去輪廓。在建立差圖時找到了...