在數(shù)字圖像處理中ATR（自動(dòng)目標(biāo)識(shí)別）是一個(gè)富有挑戰(zhàn)性的課題，特別是在背景環(huán)境不可控的情況下，其難度與復(fù)雜度不言而喻。國家也投入了大量的財(cái)力物力推進(jìn)其發(fā)展，在各大高校、科研院所也有相應(yīng)的機(jī)構(gòu)進(jìn)行專門的研發(fā)，在研究生學(xué)歷攻讀階段，也有相應(yīng)的基礎(chǔ)和高級(jí)課程的設(shè)計(jì)。今天，我不是以一個(gè)科研人員的身份進(jìn)行說話，而是站在一個(gè)普通的圖像算法應(yīng)用工程師的角度總結(jié)下我的工作經(jīng)驗(yàn)，不足之處，多多海涵！

下面，我以一個(gè)人臉目標(biāo)的檢測為例，使用OpenCV2.4.7做一個(gè)HOG+SVM的檢測實(shí)例。實(shí)例中，使用皮膚檢測分割作為快速目標(biāo)檢測。HOG參數(shù)設(shè)置為64X64，Cell：16，Block：32，Bin：9

1、總體設(shè)計(jì)HOG是一個(gè)圖像的特征，全稱梯度方向直方圖，是使用圖像局部梯度對(duì)圖像進(jìn)行描述的一種方式。SVM是一個(gè)高維度的分類器，全稱支持向量機(jī)，是一種結(jié)構(gòu)化風(fēng)險(xiǎn)較低的分類器，也是目前研究領(lǐng)域較為熱門的分類器。我們關(guān)注的焦點(diǎn)不是如何實(shí)現(xiàn)他們，而是如何在開發(fā)中正確有效的使用他們。從總體上，可以將方案分為四大部分，一是分類器的訓(xùn)練；二是目標(biāo)疑似區(qū)提取，即檢測部分；三是使用分類器進(jìn)行虛警踢除，即識(shí)別部分；四是聚類定位。

2、分類器的訓(xùn)練部分主要是完成樣本的采集、管理、特征提取以及SVM的訓(xùn)練。樣本的采集部分一般是使用現(xiàn)有的標(biāo)準(zhǔn)數(shù)據(jù)庫，或者使用PS一類的圖像處理軟件進(jìn)行裁剪采集，需要說明的是所有樣本尺寸需一致，且符合HOG特征提取要求。樣本管理是正確的組織管理大量樣本，最好有一個(gè)樣本管理軟件。不要小看這部分，對(duì)于小量樣本來說管理部分確實(shí)簡單，但是，對(duì)于海量數(shù)據(jù)來說，其管理難度可想而知。特征提取部分我建議使用opencv的HOGDescriptor類進(jìn)行實(shí)現(xiàn)，使用簡便。svm分類器訓(xùn)練部分可以使用opencv的SVM類，但是，出于對(duì)訓(xùn)練結(jié)果的可視性，我建議使用C語言版本的libSVM，這是***一大學(xué)教授耗時(shí)3年多編制而成，opencv也是使用他的源碼進(jìn)行封裝，連調(diào)用接口都幾乎一致。完成訓(xùn)練部分以后，保存訓(xùn)練模型，以便于識(shí)別部分使用。特別提醒的是， 對(duì)于SVM的訓(xùn)練而言，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行歸一化是一個(gè)很重要的過程，有可能影響到訓(xùn)練的成功與否。

3、快速目標(biāo)檢測 （1）原始圖像

目標(biāo)疑似區(qū)提取是一個(gè)快速目標(biāo)檢測的過程，這也是一個(gè)比較棘手的過程。目標(biāo)疑似區(qū)提取有兩大原則，一是不能丟失目標(biāo)，二是盡可能減少疑似區(qū)。根據(jù)這兩個(gè)原則，針對(duì)實(shí)際情況進(jìn)行算法定制。常見的有局部對(duì)比度分割，或者是恒虛警算法、基于顏色的分割、基于邊緣的分割等等……局部對(duì)比度分割適用于尺寸較小，與周圍背景對(duì)比度強(qiáng)烈的目標(biāo)?；陬伾指钸m用目標(biāo)顏色特征較為明顯的目標(biāo)，如車牌、綠色植物、鼠標(biāo)墊等。快速檢測部分的設(shè)計(jì)應(yīng)該基于量大原則：一是目標(biāo)不遺落原則。快速檢測部分只是在宏觀選上對(duì)目標(biāo)進(jìn)行篩選，此時(shí)遺落目標(biāo)后續(xù)算法就毫無意了；二是高效原則?？焖贆z測部分應(yīng)該是基于底層圖像信息，如亮度、邊緣等知識(shí)進(jìn)行處理，盡可能減少算法耗時(shí)。

（2）、皮膚檢測

（3）、皮膚分割

4、目標(biāo)識(shí)別部分是在快速檢測的結(jié)果上進(jìn)行，快速檢測部分提供了目標(biāo)的疑似區(qū)域，在疑似區(qū)域?qū)?yīng)的原始圖像上，形成目標(biāo)切片、提取特征、分類器判定，形成目標(biāo)候選區(qū)域。目標(biāo)識(shí)別部分的主要工作體現(xiàn)在分類器的訓(xùn)練，因?yàn)樽R(shí)別部分只是使用與訓(xùn)練部分相同的特征提取方式，以及分類模型的導(dǎo)入等。

（4）、HOG+SVM檢測

5、目標(biāo)聚類部分的目的是為了準(zhǔn)確找出目標(biāo)的中心。在分類器鑒別后形成的目標(biāo)候選點(diǎn)集合中，如果可以確認(rèn)只存在一個(gè)目標(biāo)，那么聚類部分就非常簡單了，只需要求出所有候選點(diǎn)的質(zhì)心就是目標(biāo)的中心了。對(duì)于目標(biāo)個(gè)數(shù)不確定的情況，我們通常有這樣幾種解決方案：一是通過領(lǐng)域候選點(diǎn)矩陣進(jìn)行聯(lián)通域提出，以每個(gè)聯(lián)通域的質(zhì)心為目標(biāo)中心。二是使用領(lǐng)域候選點(diǎn)增長法。

（5）、聚類結(jié)果