目标检测与识别是计算机视觉中最常见的挑战之一。属于高级主题。
本章节将扩展目标检测的概念，首先探讨人脸识别技术，然后将该技术应用到显示生活中的各种目标检测。
为了与OpenCV 学习笔记 05 人脸检测和识别进行区分；需重新说明一下什么是目标检测。
目标检测是一个程序，它用来确定图像的某个区域是否有要识别的对象，对象识别是程序识别对象的能力。识别通常只处理已检测到对象的区域。若人们总是会在有人脸图像的区域去识别人脸。
在计算机视觉中有很多目标检测和识别的技术，本章会用到：
与特征检测算法不同，这些算法是互补的。如在梯度直方图（HOG）中会使用滑动窗口技术。
HOG 是一个特征描述符，因此 HOG 与 SIFT、SURF 和 ORB 属于同一类型的描述符。
在图像和视觉处理中常常会进行目标检测，其实目标检测的内部机制都差不多，如人脸识别的 LBPH 描述符：
HOG 不是基于颜色值而是基于梯度来计算直方图。
HOG 所得到的特征描述符能够为特征匹配和目标检测（或目标识别）提供非常重要的信息。
HOG 提取特征的过程：先将目标图像分成小单元，每个小单元是 16*16 的像素块；每个单元都包含了视觉表示，该视觉表示按按八个方向（N、NW、W、SW、S、SE、E、NE）所计算的颜色梯度。
每个单元的八个值就为直方图，因此，每个单元都会有唯一的标识（signature）。将直方图外推（extrapolation）成描述符是相当复杂的过程：计算每个单元的局部直方图，这些单元会合成较大的区域，也称为块（block）；块可由任意多个单元组成，但 Dalal 和 Triggs （ HOG 的发明人）发现当进行人检测时，一个块包含 2 * 2 的单元时可得到最好的效果。按块构成特征向量是为了便于归一化，同时也考虑到了光照和阴影（shadowing）的变化（一个单元的区域太小，不能检测到这样的变化）。这样做减少了图像与块之间光照和阴影的差异，从而提高了检测精度。
仅仅比较两幅图的单元是行不通的，除非这两幅图像相同（从大小和数据两方面而言）还有两个主要的问题需要解决：位置和尺度。
对于这个问题，可以通过两个例子来说明：若要检测的目标（比如自行车）是较大图像中的一部分，要对两幅图像进行比较。如果在比较过程中找不到一组相同的梯度，则检测就会失败（即使两幅图像都有自行车）。
在解决了尺度问题后，还有另外一个问题，要检测的目标可能位于图像的任何位置，所以需要扫描图像的各个部分，以确保能找到感兴趣的区域，且在这些区域中去尝试检测目标。即使待检测图像中的目标和训练图像中的目标一样大，也需要通过某种方式让 OpenCV 定位该目标。因此，只对有可能存在目标的区域进行比较，而该图像的其余部分会被丢弃。
为了解决上述问题，需要熟悉图像金字塔和滑动窗口的概念。
原文：https://www.cnblogs.com/gengyi/p/10555622.html