4.1 传统对象检测方法

4.1 传统对象检测方法

本节摘要：深度学习普及之前，对象检测靠"手工特征加分类器"的组合拳：Haar 特征加级联分类器统治人脸检测二十年，HOG 加 SVM 是行人检测的经典答案。本节跑通 CascadeClassifier 与 HOGDetectMultiScale，拆解 Haar 的积分图加速与"早期拒绝"级联机制、HOG 的梯度直方图块设计，最后给出传统方法在低算力场景的坚守理由。

学习目标

阅读完本节，你应当能够：

1. 加载预训练 Haar 级联并完成人脸与眼睛检测
2. 解释积分图如何把任意矩形区域求和降到四次查表
3. 说清级联"早期拒绝"机制为什么带来数量级的提速
4. 用 HOGDescriptor 的默认行人模型完成行人检测
5. 判断一个具体项目该用传统方法还是直接上深度模型

先跑起来：人脸检测十行

OpenCV 自带一批训练好的 Haar 级联模型，装好即用：

import cv2

face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

img = cv2.imread('group.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1,
                                      minNeighbors=5, minSize=(60, 60))
for x, y, w, h in faces:
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
​

cv2.data.haarcascades 指向安装包内置的模型目录，免下载。对一张合影跑这段代码，每张正脸都会得到一个绿框。两个参数直接决定体验：scaleFactor 控制多尺度搜索的步长（每轮放大 1.1 倍再扫一遍），minNeighbors 要求一个候选区域被多少个"邻居级联层"确认才上报——它就是置信度旋钮，误框多就调大，漏检多就调小。

HOG 行人检测同样现成：

hog = cv2.HOGDescriptor()
hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())
rects, weights = hog.detectMultiScale(img, winStride=(8, 8))
​

内置的 SVM 权重是 Dalal 与 Triggs 那套经典行人模型的复刻，对站立、全身、姿态标准的行人效果尚可。

核心原理：手工特征的两座高峰

2.1 Haar 特征：用明暗对比画"五官"

Haar 特征是一组黑白相邻的矩形模板：两个矩形"亮区减暗区"，三个矩形的组合，四个矩形的对角组合。把它们扣在人脸上：眼睛区域比脸颊暗（水平二矩形特征可捕捉），鼻梁比两侧亮（垂直二矩形特征可捕捉）。每个特征输出一个数——黑白区平均灰度之差，这个数就是分类的依据。

问题是计算量：一个 24×24 的检测窗口里有超过 16 万种位置尺寸组合的特征，逐个求和是不可行的。2001 年 Viola 和 Jones 论文的两大发明解决了它。第一个是积分图：预计算一张"左上角到此处累计和"的图，之后任意矩形区域的灰度和都能用四个角的查表值加减得到——不管矩形多大，代价恒定。第二个是级联分类器：把成千上万个弱分类器排成一条流水线，前几层用最便宜、最有区分力的特征把"明显不是脸"的窗口立刻枪毙，越往后检查越细。一张图中 99% 以上的位置是背景，级联让它们在前两三层就被淘汰，只有极少数"疑似人脸"走完全程——整体速度因此提升几个数量级，这才有了 2001 年硬件上的实时人脸检测。

代价也很清楚：级联是在"正脸、光照正常、无遮挡"的数据上训练的，侧脸、戴墨镜、大角度俯仰都会大量漏检；且一个模型只认一种目标（人脸模型不认行人），换目标要重新训练，训练流程（正负样本收集、opencv_traincascade 工具链）远比推理复杂。

2.2 HOG 加 SVM：梯度统计出"人的形状"

HOG（方向梯度直方图）换一条思路：不比明暗，比"边缘的方向分布"。计算全图每个像素的梯度（第 2 章第 5 节的 Sobel），把图切成小格（cell，典型 8×8），每格统计 9 个方向的梯度直方图；再把相邻格子组成块（block）做归一化以抵抗光照变化，最后所有块的直方图串成几千维的特征向量，交给 SVM 分类器判断"这块是不是人"。

HOG 的洞察在于：物体的形状信息集中在梯度方向上，而对光照鲁棒的秘诀是局部归一化。行人之所以适合 HOG，是因为人体轮廓（头肩、直立的双腿）产生稳定的垂直边缘模式，在梯度方向统计里呈现稳定的"指纹"。detectMultiScale 的 winStride 参数控制滑动窗口的步进密度：步子大速度快但可能跳过紧凑人群中的目标，(4,4) 与 (8,8) 是常见的两个档位。

2.3 两座高峰的对比

工程实践要点

3.1 参数调试顺序

detectMultiScale 误框多：先调 minNeighbors（5 到 8），再考虑 scaleFactor 收细到 1.05；漏检多：反向操作，并确认 minSize 没把目标挡在门外。HOG 的重叠框问题用非极大值抑制（NMS）解决——同一目标被相邻窗口多次命中，留下分数最高的框、抑制重叠过高的邻居。OpenCV 的 DNN 模块自带 NMS，传统 HOG 要手写或用现成实现（重叠率阈值 IoU 取 0.5 左右是惯例，第 4 章第 2 节详述 IoU）。

3.2 预处理的小改善

Haar 检测前做直方图均衡化（equalizeHist）对暗光与逆光场景常有立竿见影的改善——级联是在均衡化后的数据上训练的，推理时保持同样的预处理是常识也是细节。

3.3 传统方法何时仍是首选

深度模型不是万能替代。三种场景我仍会选传统方案：一是算力预算极紧（低端 ARM、无 NPU 的微控制器级别），Haar 检测一张 VGA 图只要几毫秒，轻量 CNN 也做不到这个量级；二是场景完全可控（固定机位、固定光照、目标姿态单一，如产线上的标准件），传统方法调好参数后误报率可以压得极低，且模型小到几十字节的 XML；三是数据稀缺，收集不到训练深度模型的样本时，预训练的 Haar 与 HOG 模型零样本成本直接可用。反过来，目标类别多、姿态复杂、场景开放，就直接跳到下一节的 DNN 方案，不必在传统方法上硬磨。

⚠️ 常见坑：CascadeClassifier 加载失败不报错，detectMultiScale 返回空列表——模型文件路径错了（cv2.data.haarcascades 拼接时少了斜杠或文件名拼错），你会以为是图的问题查半天。加载后判一下 face_cascade.empty()。另一个坑是拿人脸模型去检测侧脸甚至行人，结果全空就骂算法不行——模型只认它训练过的世界。

💡 关键直觉：级联与 HOG 的共同哲学是"把人类对目标的知识手工翻译成特征"。Haar 翻译的是明暗布局，HOG 翻译的是轮廓走向。深度学习的革命性在于让网络自己学这个翻译——理解这条主线，第 4 章第 2 节的对比就水到渠成。

3.4 动手实验清单

1. 用同一张合影分别跑 scaleFactor 1.05 / 1.1 / 1.3，记录检测数与耗时的变化。
2. minNeighbors 从 2 扫到 10，观察误框消失、漏检出现的过程，选你那张图的平衡点。
3. 手遮半张脸再跑人脸检测，验证遮挡下的漏检；转头 45 度再试，验证侧脸问题。
4. 跑 HOG 行人检测并自己实现一个简单 NMS（按重叠率合并），对比前后框的数量。

3.5 级联检测的流程透视

Haar 级联的早期拒绝机制

3.6 常见疑问与解答

Haar 和 HOG 一起用会不会更好？

很少这么组合，两者是同位竞争关系（都是"手工特征加分类器"的完整方案），不是上下游互补。实践中更常见的组合是"HOG 检测候选加第二级分类器复核"——检测给框、复核给精细标签，衔接处在第 4 章第 3 节的分类环节。

训练自己的级联要多少样本？

经验量级：正样本几千张（含各种光照姿态），负样本可以更多（万级不嫌多）。采集与标注的功夫占大头，训练本身半天到一天。样本多样性不足是训练失败的常见原因——用同一角度同一光照的几百张图训练，出来的模型换个场景就废。

为什么 OpenCV 只自带人脸眼睛这些模型？

预训练模型的发行受目标常见度与训练成本双重筛选，人脸是最普及的需求。其它目标（车牌、行人）社区有第三方模型可寻，但引入第三方文件时注意验证来源与许可，这属于工程合规的基本功。

3.7 实战配方：产线人脸闸机的参数标定

用一个人脸门禁的虚拟案例，演示传统检测从零到交付的标定过程。

场景设定：固定机位、环形补光、人脸距离一到两米。这类"光照可控、姿态单一"的场景正是级联的舒适区。

第一步基线测试。默认参数（1.1 加 5）跑五十张样本，记录三个数：检出率（该检出且检出）、误报数、单帧耗时。这组数字是后续所有调整的对照组，没有对照组的调参是玄学。

第二步误报治理。有误报先升 minNeighbors（5 到 8），再收 scaleFactor（1.1 到 1.05，扫描更细）。每调一档重跑五十张，检出率掉超过两个点就回退——误报与漏检的跷跷板要压在业务容忍度上（门禁场景漏检让人重刷即可，误报是安全事故，压误报优先）。

第三步性能预算。minSize 设为目标最小尺寸（一到两米距离的人脸宽度实测后填入），砍掉小尺度扫描，耗时常见能降一半；确认单帧耗时留出余量（低于分配预算的七成）。

第四步交付固化。把标定好的参数写进配置文件加注释（每组参数对应的实测数据），交付文档里附上五十张样本的测试报告。三个月后现场环境变了（灯换了、机位挪了），重跑第一步的基线测试即可判断是否需要重新标定——参数不是一次定终身，但标定流程是。

本节要点回顾

• 两大件：Haar 特征比明暗对比、HOG 比梯度方向分布，都是把人的先验手工编码成特征。
• 积分图是加速基石：任意矩形求和四次查表，16 万特征的计算从不可行变成实时。
• 级联即早期拒绝：便宜特征先筛掉绝大多数背景，疑似目标才走完全程，速度提升数量级。
• 参数三件套：scaleFactor 管尺度步长、minNeighbors 管置信门槛、minSize 管最小目标，按误报与漏检的跷跷板调。
• 加载失败是静默的：判 empty 防坑，模型文件路径是第一嫌疑人。
• 低算力可控场景零样本：传统方法的三块坚守阵地，别被"深度学习默认论"带走决策。

常见追问：Haar 还能撑多久

取决于场景封闭程度。门禁、考勤、工业流水线这类光照与姿态可控的场景，Haar 加一层尺寸过滤，依旧又快又稳，树莓派级别算力就能跑满帧率；开放街景、密集人群这类场景，直接上第 2 节的 DNN 检测。判断标准很简单：能不能在采集端控制住光照与背景——控制得住，传统方法仍是性价比之选；控制不住，就别再为难它。

传统方法的天花板在特征的表达力。下一节进入 DNN 模块：加载预训练的 YOLO，几行代码获得开放场景下的多类别检测能力。