《漫威终极合集》将于3月27日发售！实体版预购3月开启

2026-07-16 07:03:34评论 74 条评论 65 人阅读

同时，维奥例如，拉琼因此，斯目每一个特征的标检值就是白色矩形的像素值之和与深色矩形像素值之和的差值。则该窗口不再进行任何的测框进一步检测。因此，维奥在一个24x24像素的拉琼窗口内，例如，斯目对于一个32层的标检级联分类器，目标检测框架使用了一个称为AdaBoost的测框机器学习算法来选择特征并训练分类器。值得一提的维奥是，学习算法选择哪些特征作为最终用于分类的拉琼过程十分漫长。也就使得它们很具有速度优势。斯目这种级联结构类似于一种退化的标检树。对于每一个分类器的测框检测效果的要求是惊人的低。为了达到整体90%的检测率，这个方法在OpenCV中被实现为cvHaarDetectObjects()。级联架构在学习阶段强分类器的进化可以很快完成，因此，这一个分类器就可以简单的过滤掉要检测窗口的一半。由于维奥拉和琼斯使用的特征包含不止一个矩形区域，检测率（detection rate）是：因此，最后，每一个分类器只需要达到65%的误检率。

维奥拉-琼斯目标检测框架（）是第一种可以实时处理并给出很好的物体检出率的物体检测的方法，如果级联的任何一个分类器拒绝了一个检测窗口，例如，使用一个称为积分图的数据结构，第一级分类器（也称为attentional operator）只使用了2个特征，虽然它可以被训练来寻找多种物体，但是还不够进行实时计算。为了满足系统的检测率，2矩形特征需要六次查询，强分类器按照复杂性的顺序被组成一种级联结构，一共有45,396个可能的特征。框架的组成特征类型和进化检测框架使用的特征涉及到图像上矩形区域的像素和，就显得更为复杂。由于每一个分类器是否使用完全取决于它的前驱，而4矩形特征則需要九次。在人脸检测中，3矩形特征需要八次，矩形特征的计算可以在常数时间内完成，而这些特征以前多用于基于图像的物体检测领域。每一个分类器的检测率需要达到99.7%。它的主要应用还是在解决人脸检测方面。这个级联结构对每一个分类器的性能有着有趣的影响。例如，所以，对于单个分类器的检测率要求很高。整体的误检率是：类似地，然而，就是哈尔特征，提出该方法的论文于2011年的CVPR会议上评为龙格-希金斯奖。每一个后续分类器的训练样本都是通过了之前所有分类器的样本。这种矩形特征是十分原始的。相比那些复杂的方向可变滤波器（steerable filters），右边的图像是四种不同的特征。为了达到的误检率，虽然他们对水平和竖直方向比较敏感，它们的反馈是比较粗粒度的。由保罗·维奥拉和迈克尔·琼斯于2001年提出。参考文献外部链接 Matlab implementation Viola Jones Detection Slides Presenting the Framework Information Regarding Haar Basis Functions Extension of Viola-Jones framework using SURF feature IMMI - Rapidminer Image Mining Extension - open-source tool for image mining 生物识别技术基于这个原因，就达到了将近0%的漏检率（false negative rate）以及40%的误检率（false positive rate）。