基于Cascade分类器的目标检测
从今天开始进入基于机器学习的目标检测，前几节虽然也接触了一些机器学习的方法，但它主要是做辅助工作，机器学习的方法和非机器学习的方法结合在一起使用，说到这想起来前几天看到一位博士师兄发的笑话，说的是百度实验室：
Theory is when you know everthing but nothing works.
Practice is when everything works but no one knows why.
In our lab,theory and practice are combined:nothing works and no one knows why.
目前而言，甭管理论好坏吧，只要实用就行，实用的未必是好理论，就像深度学习那样，不说太远了，继续今天的话题，Cascade是Paul Viola发表在2001年的CVPR上，2002年Rainer Lienhart等人改进了Paul的方法，主要是改进了特征并且分析了不同的boosting算法对分类性能的影响和计算复杂度，OpenCV实现的Cascade的分类器也是Rainer的改进版本。所谓不同的boosting算法就是说不同的Adaboost弱分类器，比如Discrete, Real 和 Gentle Adaboost弱分类器，而Cascade（级联）分类器就是基于多个Adaboot弱分类器对不同的特征进行依次处理（分类）来完成对目标的检测，简单的说有多个Adaboost串起来，然后提取每个平滑窗（sliding window）上的不同特征，把这些特征依次放进不同的Adaboost弱分类器里判断，如果所有的弱分类器都判断正标签（1），则表示该该平滑窗内检测到目标，如（图一）所示。这样做的好处是不但通过多个弱分类器来形成一个强的级联分类器，而且可以减少运算量，比如当一个平滑窗第一个特征没有通过第一个分类器，那么就没有必要继续运算下去，直接拒绝掉当前平滑窗，转而处理下一个平滑窗，事实上作者的目的就是为了快速抛弃没有目标的平滑窗，从而达到快速检测目标。
