Haar cascades and LBPH

Opencv for secret agents是一本非常棒的opencv指导用书。有一章讲的是machine learning。在一张图像中我们可以看到有特点的形状或者模式，而这些模式往往只在特定尺度下出现。为了生成Haar cascade，图像的不同区域会经历尺度变化，这样我们就能每次只关注一些像素。像这样对图像取样叫做window。我们可以用window中的一些区域的像素减去另外一些区域的像素值来判断是否包含一个灰暗的部分和一个明亮的部分，从而可以对比当前window和一些常见形状，比如边缘和角点。如果一个window和某个特定形状很相似，我们就可以选择它作为一个feature。对于同一物体，通常我们能够在相似的地方和尺度找到相似的feature。
并非所有的feature都同样显著。如果一个feature在物体中很常见，我们就把它放到positive training set里面。反之，不常见的就放到negative training set里面。根据feature描述物体的程度，我们可以赋给它们不同的stage.多个stage就组成一个cascade。为了判断待检测目标是不是已知样本，每个stage都必须通过。