물체인식

1. 트레이닝 스테이지
   1. 많은 이미지 --> 특징 추출 --> classfier(threshold) 생성
2. 테스트 스테이지
   1. 인풋 이미지 특징 추출
   2. classfier 이용하여 이미지 decect

얼굴 인식

1. harr-like feature
   
   1. 트레이닝
      1. 다양한 크기와 위치 변화 --> 얼굴 특징 선택
         
      2. Adaboost 사용(opencv)
         1. boosting: 약한 learner --> 강한 learner 만듬
         2. adaptive: 이전의 약한 learner 에 따라 samele weight 조정
            
            
   2. cascade classifier
      1. 다양한 약한 learers --> strong learner 생성
         
      2. 강한 learner는 약한 learner들의 종속
         
   3. 특징 계산 --> integral image
      1. integral image를 통해 harr-like의 연산을 빠르게 해줌
         

tracking

1. 기본 개념
   1. user-interaction or detection --> roi 선택
   2. 다음 프레임 --> 반경에서 roi 찾음
      
2. 함수
   1. meanshift(평균 이동 알고리즘)
      1. 데이터에서 가장 밀집되어 있는 부분 찾음
      2. 과정
         1. 데이터 공간에 임의 원 그림
         2. 원 안에 x좌표, y좌표 평균 구함
         3. 그 좌표로 이동, 반복
            
      3. histogram back-projection(역투영)
         1. 관심 영역(roi)의 히스토그램과 유사한 히스토그램을 갖는 영역 찾는 기법
         2. 색상을 기준으로 분리 --> roi 영역과 비슷한 색상을 가진 물체가 있는 경우 성능이 떨어짐
            
      4. tracking using meanshift
         
   2. camshift
      1. meanshift 단점 보완해서 만든 추적 방법
         1. 대상의 크기와 위치에 따라 창 조절 --> 윈도우 크기 스스로 조정
      2. 과정
         1. meanshift 이동 위치 계산
         2. meanshift 수렴시 그 위치에서 윈도우 크기 약간씩 키움
         3. 키운 윈도우 안에서 객체 위치 찾음
         4. 특징이 잘 들어간 타원을 만들고 그 크기만큼 윈도우 키움
            1. 객체가 작아지면 타원도 작아짐
            2. 타원 작아지므로 윈도우 크기도 작아짐
         5. 위 과정 반복
            
   3. optical flow(광학 흐름)
      1. 영상 내 물체의 움직임 패턴
         1. 이전 프레임과 다음 프레임 간 픽셀 이동 방향과 거리 분포임
         2. 물체의 움직임 예측 가능
      2. klt 알고리즘(optical 알고리즘 중 하나)
         1. 가정
            1. 연속된 프레임에서 픽셀 강도 변함 없음
            2. 이웃하는 픽셀은 비슷한 움직임 가짐
               
         2. 아래 식 이용하여 tracking 진행
            
            
         3. 이미지 피라미드
            1. klt 알고리즘은 큰 움직임을 정확히 찾아내지 못함
            2. 이를 극복하기 위해 이미지 피라미드 이용