OpenCV Haar分类器-是支持向量机吗

我在工作中使用了OpenCV Haar分类器，但我一直在阅读关于OpenCV Haar分类器是否是SVM的相互矛盾的报告，有人能澄清它是否使用SVM吗？此外，如果不使用SVM，Haar方法比SVM方法有什么优势？

它不是SVM。以下是文件：

它使用boosting（支持AdaBoost和其他各种类似的方法——都基于boosting）

---

重要的区别在于评估的速度，这在级联分类器中非常重要，它们基于阶段的提升算法允许非常快速的评估和高精度（特别是带有许多负面影响的支持训练），在一个比支持向量机更好的平衡点上用于此特定应用。

它不是支持向量机。以下是文件：

它使用boosting（支持AdaBoost和其他各种类似的方法——都基于boosting）

与评估速度相关的重要区别在级联分类器中非常重要，其基于阶段的提升算法允许非常快速的评估和高精度（特别是带有许多负面影响的支持训练），在比支持向量机更好的平衡点上用于此特定应用。

• 和（AdaBoost、GentleBoost等）是特征分类策略/算法。支持向量机解决了一个复杂的优化问题，通常使用核函数，核函数允许我们通过在更高维的特征空间中工作来分离样本。另一方面，boosting是一种基于以智能方式组合大量“廉价”分类器的策略，这将导致非常快速的分类。这些弱分类器甚至可以是支持向量机

• 类Haar特征是一种基于积分图像的特征，非常适合于计算机视觉问题

也就是说，您可以将Haar功能与两种分类方案中的任何一种相结合。

• 和（AdaBoost、GentleBoost等）是特征分类策略/算法。支持向量机解决了一个复杂的优化问题，通常使用核函数，核函数允许我们通过在更高维的特征空间中工作来分离样本。另一方面，boosting是一种基于以智能方式组合大量“廉价”分类器的策略，这将导致非常快速的分类。这些弱分类器甚至可以是支持向量机

• 类Haar特征是一种基于积分图像的特征，非常适合于计算机视觉问题

---

也就是说，您可以将Haar特征与两种分类方案中的任何一种结合起来。

那么说支持向量机仍然更准确，但要以评估速度为代价，这是正确的吗？（通过评估速度，我假设是指识别实时视频流中的对象所需的时间？@Colin747：非线性支持向量机可能更准确，但您必须尝试。是的，它很容易会慢1000倍，这是这方面的一个破坏者。那么说支持向量机会更准确，但会以评估速度为代价，这是正确的吗？（通过评估速度，我假设是指识别实时视频流中的对象所需的时间？@Colin747：非线性支持向量机可能更准确，但您必须尝试。是的，它很容易慢1000倍，这是这个领域的一个破坏者。那么我说使用AdaBoost优于SVM的优点是它可以让分类器比SVM训练得更快，这是正确的吗？第二个问题，假设我的第一个问题是正确的，这会导致更快地检测视频流中的对象，还是速度差只适用于训练阶段？这两种方法都是现成的，您可以尝试（例如，使用OpenCV）。我认为支持向量机更容易训练和评估（以及理解）。但是，由于它们都是非参数、过度拟合的避免方法，我想我会尝试这两种方法，看看哪一种能给出最好的验证结果。目前，我正在用AdaBoost实现OpenCV Haar分类器，它工作得很好，但我希望能够解释代码背后的情况，因此我感兴趣。好的：OpenCV做的是1）从图像中提取Haar特征2）训练弱分类器包括对某些特征进行阈值化（阅读Viola&Jones的原始论文了解更多信息）3）使用投票方案（这是Adaboost算法）排列弱分类器。在分类阶段，第一个分类器是那些容易丢弃负面样本（非目标图像）的分类器，因此，使用AdaBoost而不是SVM的优势在于它可以让分类器比SVM训练得更快，这是正确的吗？第二个问题，假设我的第一个问题是正确的，这会导致更快地检测视频流中的对象，还是速度差只适用于训练阶段？这两种方法都是现成的，您可以尝试（例如，使用OpenCV）。我认为支持向量机更容易训练和评估（以及理解）。但是，由于它们都是非参数、过度拟合的避免方法，我想我会尝试这两种方法，看看哪一种能给出最好的验证结果。目前，我正在用AdaBoost实现OpenCV Haar分类器，它工作得很好，但我希望能够解释代码背后的情况，因此我感兴趣。好的：OpenCV做的是1）从图像中提取Haar特征2）训练弱分类器包括对某些特征进行阈值化（阅读Viola&Jones的原始论文了解更多信息）3）使用投票方案（这是Adaboost算法）排列那些弱分类器。在分类阶段，第一个分类器是那些容易丢弃负面样本（非目标图像）的分类器，因此是增强。