目标检测与分类

目标检测的一般思路是

1.获取含有大量冗余特征的集合

2.利用机器学习的方法从特征集合中找出能够反映目标物体特性的特征

3.利用找到的特征构造分类器，实现目标检测

 

当前通用目标检测领域所使用的特征主要可以分为两类。

1.通过划分或变换得到的特征，如使用最广泛的Haar-like特征。这类特征的主要特点是：特征计算十分简单，特征集合的冗余信息能够很好地描述目标物体的特性。另外，只要图像大小确定，特征集合中各个特征的位置以及集合中总的特征数量就是固定的，这使得利用类Haar特征构建分类器比较简单；

2.另一类是针对目标物体提取出来的特征，例如物体的纹理特征或边界特征。这类特征的共同点是特征的位置并不是事先确定的，而是同待测的目标物体密切相关，这类特征往往可以得到变形模板，从而更好地描述非刚体目标。其缺点是比较复杂特征计算的时间比较长。