4、目标检测基础（上）：滑动窗口与图像金字塔、Haar特征与Adaboost分类器（人脸检测）、HOG特征与SVM（行人检测）
各位同学，今天我们来聊聊目标检测的“老底子”。
说实话，现在大家一提到目标检测，脑子里蹦出来的都是YOLO、Faster R-CNN这些深度学习模型。但我想说，如果你没搞懂滑动窗口、图像金字塔、Haar特征和HOG特征这些经典方法，你很难真正理解现代检测器为什么那么设计。
我当年刚入行时，第一个项目就是做人脸检测。那时候哪有什么GPU，全靠CPU硬扛。嗯，今天我就把当年踩过的坑和积累的经验，一次性讲清楚。
核心观点：传统目标检测 = 特征工程 + 分类器。特征决定了你能检测什么，分类器决定了你检测得准不准。
4.1 滑动窗口与图像金字塔：暴力但有效的搜索策略
先问大家一个问题：一张图片里，目标可能出现在任何位置，也可能有大有小。你怎么找到它？
最简单的思路就是——穷举。这就是滑动窗口的核心思想。
4.1.1 滑动窗口是什么？
说白了，就是一个固定大小的矩形框，在图像上从左到右、从上到下地滑动。每滑动一步，就把框内的图像区域提取出来，交给分类器判断：这是目标还是背景？
- 窗口大小：通常固定，比如64×128（行人检测常用）或24×24（人脸检测常用）
- 步长：每次移动的像素数。步长越小，检测越精细，但计算量越大
- 缩放比例：为了检测不同大小的目标，需要缩放图像本身——这就是图像金字塔
我的经验：步长一般设为窗口宽高的10%~20%。比如64宽的窗口，步长8~12像素比较合理。步长太小，你会等到天荒地老；步长太大，目标容易漏检。
4.1.2 图像金字塔：解决尺度问题
目标有大有小，怎么办？
图像金字塔就是答案。你把原图不断缩小（通常每次缩小1.1~1.5倍），形成一系列不同尺度的图像。然后在每一层上跑滑动窗口。
举个例子：
- 原图1000×800，窗口64×128
- 缩小到800×640，窗口还是64×128——相当于检测了更大的目标
- 再缩小到640×512——检测的目标更大
- 以此类推，直到图像比窗口还小
注意：金字塔层数越多，检测越全面，但计算量呈指数增长。我建议一般建3~5层就够了。曾经有个项目，我建了10层金字塔，结果一帧图像处理了3秒……直接被客户骂惨了。
4.1.3 滑动窗口的致命缺陷
你想想看，一张1000×800的图像，步长8像素，金字塔5层，总共要检测多少个窗口？
答案是：几十万甚至上百万个。每个窗口都要提取特征、跑分类器——这速度，你能忍？
所以，滑动窗口虽然思路简单，但实际应用中必须配合高效的特征和分类器。这就是接下来要讲的Haar和HOG的用武之地。
4.2 Haar特征与Adaboost分类器：人脸检测的经典组合
2001年，Viola和Jones提出了一个里程碑式的工作——实时人脸检测。核心就是Haar特征 + Adaboost + 级联结构。
我至今记得第一次在笔记本上跑通这个算法时，那种“哇，真的能实时检测人脸”的兴奋感。虽然现在看它已经过时了，但它的设计思想至今影响着很多现代算法。
4.2.1 Haar特征：像积木一样的矩形特征
Haar特征其实就是一些黑白相间的矩形模板。计算时，用白色区域像素和减去黑色区域像素和，得到一个数值。
常见的Haar特征有：
- 边缘特征：2个矩形，检测明暗变化（比如眼睛比脸颊暗）
- 线特征：3个矩形，检测线条（比如鼻梁）
- 中心特征：4个矩形，检测斑点（比如眼睛区域）
关键点：Haar特征为什么快？因为它用了积分图（Integral Image）。积分图可以在常数时间内计算出任意矩形区域的像素和。没有积分图，Haar特征根本跑不起来。
4.2.2 Adaboost：从弱分类器到强分类器
单个Haar特征分类能力很弱，可能只有51%的准确率——比瞎猜好一点点。
Adaboost的思路是：把很多个这样的弱分类器组合起来，形成一个强分类器。怎么组合？
- 先训练一个弱分类器，找出它分错的样本
- 加大这些错分样本的权重
- 再训练下一个弱分类器，让它更关注之前分错的样本
- 重复，直到达到目标精度
最终，每个弱分类器有一个权重，投票决定结果。
我的经验：Adaboost训练时，弱分类器的数量不是越多越好。我曾经试过用2000个弱分类器，结果过拟合严重，检测率反而下降了。一般100~200个就够用了。
4.2.3 级联结构：让检测飞起来
Viola-Jones最巧妙的设计是级联（Cascade）。
你想想看，一张图像中，99%的区域都是背景。如果每个窗口都跑200个弱分类器，那太浪费了。
级联的思路是：
- 前几层用少量、简单的Haar特征，快速排除明显不是人脸的区域
- 只有通过前几层的候选区域，才进入更复杂的后续层
- 最终只有极少数区域能通过所有层，被判定为人脸
这样，大部分窗口在前几层就被淘汰了，计算量大幅下降。
注意：级联的每一层都要设置一个“通过率”。如果通过率太高，很多非人脸会进入下一层，增加计算量；如果通过率太低，真正的人脸可能被误杀。我一般设置每层通过率99.5%以上，保证不漏检。
4.3 HOG特征与SVM：行人检测的黄金搭档
2005年，Dalal和Triggs提出了HOG（方向梯度直方图）特征，专门用于行人检测。这个算法在深度学习兴起之前，一直是行人检测的标杆。
我记得2012年做安防项目时，用的就是HOG+SVM。虽然现在有更好的方法，但HOG的思想——用梯度方向描述局部形状——至今仍是很多特征提取方法的基础。
4.3.1 HOG特征：用梯度说话
HOG的核心思想是：物体的局部外观和形状，可以通过局部梯度方向的分布来描述。
具体步骤：
- 计算梯度：对每个像素，计算水平方向和垂直方向的梯度
- 划分细胞单元：将图像分成8×8的小块（cell）
- 统计梯度方向直方图：每个cell内，统计9个方向的梯度幅值
- 块归一化：将2×2个cell组成一个block，进行对比度归一化
- 串联特征：所有block的特征串联起来，形成最终的HOG特征向量
举个例子，一个64×128的行人图像：
- cell大小：8×8，所以有8×16=128个cell
- block大小：2×2 cell，步长8像素，所以有7×15=105个block
- 每个block有4个cell × 9个方向 = 36维特征
- 最终特征维度：105 × 36 = 3780维
为什么HOG适合行人？行人的轮廓（头、肩膀、腿）有明显的边缘和梯度变化。HOG正好能捕捉这些信息。相比之下，Haar特征更适合人脸这种有固定纹理模式的物体。
4.3.2 SVM：找到最佳分界线
特征提取完了，接下来就是分类。HOG的搭档是SVM（支持向量机）。
SVM的目标是找到一个超平面，把正样本（行人）和负样本（背景）分开，并且让两类样本到超平面的距离（间隔）最大化。
为什么用SVM？
- HOG特征维度高（3780维），SVM在高维空间表现好
- SVM的泛化能力强，不容易过拟合
- SVM有成熟的实现（比如OpenCV的cv2.HOGDescriptor）
我的经验：训练SVM时，负样本的选择非常关键。我曾经只用了一些简单的背景图片做负样本，结果模型把树影、路灯都检测成了行人。后来我用了“难例挖掘”——把误检的样本加入训练集重新训练，效果好了很多。
4.3.3 HOG vs Haar：怎么选？
| 对比项 | Haar特征 | HOG特征 |
|---|---|---|
| 适用场景 | 人脸检测（纹理固定） | 行人检测（轮廓明显） |
| 特征维度 | 低（几百维） | 高（几千维） |
| 计算速度 | 快（积分图加速） | 较慢（梯度计算耗时） |
| 分类器 | Adaboost + 级联 | SVM |
| 光照鲁棒性 | 一般 | 较好（归一化后） |
4.4 实战经验总结
说了这么多，最后给大家几个实用建议：
- 滑动窗口的步长和金字塔层数要权衡。我一般先设大步长（比如16像素）快速测试，再根据结果调小步长
- Haar特征适合人脸，HOG适合行人。不要混用。我曾经试过用HOG检测人脸，效果很差——人脸太光滑，梯度信息不够丰富
- 训练数据要多样化。正样本要包含不同角度、光照、遮挡的情况。负样本要覆盖各种背景
- 难例挖掘是提升精度的关键。先训练一个初版模型，在验证集上跑，把误检的样本加入训练集，再训练一次
避坑指南：我曾经在一个项目中，直接用OpenCV自带的HOG行人检测器，结果在雨天场景下漏检率高达40%。后来发现，默认的检测器是在晴天数据集上训练的。解决办法是：收集雨天数据，重新训练SVM。所以，别迷信预训练模型，数据才是王道。
好了，今天的内容就到这里。滑动窗口、图像金字塔、Haar特征、HOG特征——这些传统方法虽然老了，但它们是理解现代目标检测的基石。下一节我们会讲更深入的内容，到时候你会发现，很多现代方法都是在这些老方法的基础上改进的。
可可精品资料库