目標檢測方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]對這一方法進行了改善. 首先，利用樣本（大約幾百幅樣本圖片）的 harr 特征進行分類器訓練，得到一個級聯的boosted分類器。訓練樣本分為正例樣本和反例樣本，其中正例樣本是指待檢目標樣本(例如人臉或汽車等)，反例樣 本指其它任意圖片，所有的樣本圖片都被歸一化為同樣的尺寸大小(例如，20x20)。

分類器訓練完以后，就可以應用于輸入圖像中的感興 趣區域(與訓練樣本相同的尺寸)的檢測。檢測到目標區域(汽車或人臉)分類器輸出為1， 否則輸出為0。為了檢測整副圖像，可以在圖像中移動搜索窗口，檢測每一個位置來確定可能的目標。 為了搜索不同大小的目標物體，分類器被設計為可以進行尺寸改變，這樣比改變待檢圖像的尺寸大小更為有效。所以，為了在圖像中檢測未知大小的目標物體，掃描 程序通常需要用不同比例大小的搜索窗口對圖片進行幾次掃描。

分類器中的“級聯”是指最終的分類器是由幾個簡單分類器級聯組成。在圖像檢 測中，被檢窗口依次通過每一級分類器， 這樣在前面幾層的檢測中大部分的候選區域就被排除了，全部通過每一級分類器檢測的區域即為目標區域。 目前支持這種分類器的boosting技術有四種： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。"boosted" 即指級聯分類器的每一層都可以從中選取一個boosting算法(權重投票)，并利用基礎分類器的自我訓練得到?；A分類器是至少有兩個葉結點的決策樹分 類器。 Haar特征是基礎分類器的輸入，主要描述如下。目前的算法主要利用下面的Harr特征。

每 個特定分類器所使用的特征用形狀、感興趣區域中的位置以及比例系數（這里的比例系數跟檢測時候采用的比例系數是不一樣的，盡管最后會取兩 個系數的乘積值）來定義。例如在第三行特征(2c)的情況下，響應計算為覆蓋全部特征整個矩形框(包括兩個白色矩形框和一個黑色矩形框)象素的和減去黑色 矩形框內象素和的三倍 。每個矩形框內的象素和都可以通過積分圖象很快的計算出來。(察看下面和對cvIntegral的描述).

通過HaarFaceDetect 的演示版可以察看目標檢測的工作情況。

目標檢測