Sina Weibo：小锋子Shawn
Tencent E-mail：[email protected]
http://blog.csdn.net/dgyuanshaofeng/article/details/81037955
Haar-Like features + AdaBoost classifer
0 摘要
贡献：1、提出积分图（Integral Image）这一图像表征，其计算非常快速；2、使用AdaBoost学习算法构建分类器；3、采用级联（cascade）结合两/多个分类器。
性能：与基于范例法（高斯混合模型），基于神经网络法、基于支持向量机法、基于统计法和基于SNoW法可比。
1 介绍
详细介绍了上述3点贡献。
1.1 概述
2 特征
使用特征的两点动机：1、特征可以编码领域知识（domain knowledge）；2、基于特征的系统比基于像素的系统，计算更快。
使用了3种特征：1、双矩形特征（two-rectangle feature），其值为两矩形区域内像素值总和的差，如图1中的A和B图所示，白色减去灰色；2、三矩形特征，类似双矩形，如图1中的C图所示，白色减去灰色；3、四矩形特征，类似双矩形，如图1中的D图所示，白色减去灰色。
2.1 积分图（Integral Image）
解释了如何借助积分图快速计算上面的3种特征。
2.2 特征讨论
讨论了矩形特征和steerable filters，以及图像金字塔。
3 学习分类函数
3.1 学习讨论
3.2 学习结果
4 注意力级联
4.1 训练分类器级联体
4.2 简单实验
4.3 检测级联体讨论
5 结果
5.1 训练集
5.2 检测级联体的结构
5.3 检测器速度
5.4 图像处理
5.5 扫描检测器
5.6 多检测器整合
5.7 现实测试集的实验
6 结论
1、minimize computation time and achieve high detection accuracy
2、可迁移到行人、车辆检测
[1] Robust Real-time Face Detection IJCV 2004 [paper]