OpenCV 學習筆記07 目標檢測與識別
目標檢測與識別是計算機視覺中最常見的挑戰之一。屬於高級主題。
本章節將擴展目標檢測的概念，首先探討人臉識別技術，然後將該技術應用到顯示生活中的各種目標檢測。
1 目標檢測與識別技術
為了與OpenCV 學習筆記 05 人臉檢測和識別進行區分；需重新說明一下什麽是目標檢測。
目標檢測是一個程序，它用來確定圖像的某個區域是否有要識別的對象，對象識別是程序識別對象的能力。識別通常只處理已檢測到對象的區域。若人們總是會在有人臉圖像的區域去識別人臉。
在計算機視覺中有很多目標檢測和識別的技術，本章會用到：
- 梯度直方圖（Histogram of Oriented Gradient， HOG）
- 圖像金字塔（image pyramid）
- 滑動窗口（sliding window）
與特征檢測算法不同，這些算法是互補的。如在梯度直方圖（HOG）中會使用滑動窗口技術。
1.1 HOG 描述符
HOG 是一個特征描述符，因此 HOG 與 SIFT、SURF 和 ORB 屬於同一類型的描述符。
在圖像和視覺處理中常常會進行目標檢測，其實目標檢測的內部機制都差不多，如人臉識別的 LBPH 描述符：
- 第一步：將圖像劃分成多個部分
- 第二步：計算各個部分的梯度
HOG 不是基於顏色值而是基於梯度來計算直方圖。
HOG 所得到的特征描述符能夠為特征匹配和目標檢測（或目標識別）提供非常重要的信息。
HOG 提取特征的過程：先將目標圖像分成小單元，每個小單元是 16*16 的像素塊；每個單元都包含了視覺表示，該視覺表示按按八個方向（N、NW、W、SW、S、SE、E、NE）所計算的顏色梯度。
每個單元的八個值就為直方圖，因此，每個單元都會有唯一的標識（signature）。將直方圖外推（extrapolation）成描述符是相當復雜的過程：計算每個單元的局部直方圖，這些單元會合成較大的區域，也稱為塊（block）；塊可由任意多個單元組成，但 Dalal 和 Triggs （ HOG 的發明人）發現當進行人檢測時，一個塊包含 2 * 2 的單元時可得到最好的效果。按塊構成特征向量是為了便於歸一化，同時也考慮到了光照和陰影（shadowing）的變化（一個單元的區域太小，不能檢測到這樣的變化）。這樣做減少了圖像與塊之間光照和陰影的差異，從而提高了檢測精度。
僅僅比較兩幅圖的單元是行不通的，除非這兩幅圖像相同（從大小和數據兩方面而言）還有兩個主要的問題需要解決：位置和尺度。
1.1.1 尺度問題
對於這個問題，可以通過兩個例子來說明：若要檢測的目標（比如自行車）是較大圖像中的一部分，要對兩幅圖像進行比較。如果在比較過程中找不到一組相同的梯度，則檢測就會失敗（即使兩幅圖像都有自行車）。
1.1.2 位置問題
在解決了尺度問題後，還有另外一個問題，要檢測的目標可能位於圖像的任何位置，所以需要掃描圖像的各個部分，以確保能找到感興趣的區域，且在這些區域中去嘗試檢測目標。即使待檢測圖像中的目標和訓練圖像中的目標一樣大，也需要通過某種方式讓 OpenCV 定位該目標。因此，只對有可能存在目標的區域進行比較，而該圖像的其余部分會被丟棄。
為了解決上述問題，需要熟悉圖像金字塔和滑動窗口的概念。
1.1.2.1 圖像金字塔
OpenCV 學習筆記07 目標檢測與識別