Haar特征

综合 http://www.cnblogs.com/dylantsou/archive/2012/08/11/2633483.html

和 http://zhidao.baidu.com/link?url=c3oQDIpI2De8z9oXApLl50Wpgev8FnwrwlVsdOqp5wAKwHAZDT9FvbikwakXJgtApJZFZRMNJ1UP5nWH_9WiNa

Haar-like特征最早是由Papageorgiou等应用于人脸表示,Viola和Jones在此基础上,使用3种类型4种形式的特征。

Haar特征分为三类:边缘特征、线性特征、中心特征和对角线特征,组合成特征模板。特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。例如:脸部的一些特征能由矩形特征简单的描述,如:眼睛要比脸颊颜色要深,鼻梁两侧比鼻梁颜色要深,嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构,如边缘、线段较敏感,所以只能描述特定走向(水平、垂直、对角)的结构。

对于图中的A, B和D这类特征,特征数值计算公式为:v=Sum白-Sum黑,而对于C来说,计算公式如下:v=Sum白-2*Sum黑;之所以将黑色区域像素和乘以2,是为了使两种矩形区域中像素数目一致。

通过改变特征模板的大小和位置,可在图像子窗口中穷举出大量的特征。上图的特征模板称为“特征原型”;特征原型在图像子窗口中扩展(平移伸缩)得到的特征称为“矩形特征”;矩形特征的值称为“特征值”。

矩形特征可位于图像任意位置,大小也可以任意改变,所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、大小和位置的变化,使得很小的检测窗口含有非常多的矩形特征,如:在24*24像素大小的检测窗口内矩形特征数量可以达到16万个。


=============================================================================================================


一、AdaBoost算法原理

  AdaBoost算法是一种迭代的算法,对于一组训练集,通过改变其中每个样本的分布概率,而得到不同的训练集Si,对于每一个Si进行训练从而得到一个弱分类器Hi,再将这些若分类器根据不同的权值组合起来,就得到了强分类器。

  第一次的时候,每个样本都是均匀分布,通过训练得到分类器H0,在该训练集中,分类正确的,就降低其分布概率;分类错误的,就提高其分布概率,这样得到的新的训练集S1就主要是针对不太好分类的样本了。再使用S1进行训练,得到分类器H1,依次迭代下去……,设迭代此外为T,则得到T个分类器。

  对于每个分类器的权值,其分类准确性越高,权值越高。

二、Haar特征

  2.1 特征样子

  就是一些矩形特征的模板,在viola&Jones的论文中,有下面这五种

在opencv中的方法中,有下面这14种,

 

 

  2.2 特种的个数

  对于一个给定的24X24的窗口,根据不同的位置,以及不同的缩放,可以产生超过160,000个特征。

  

  2.3 特征计算方法——积分图

  有点类似于动态规划的思想,一次计算,多次使用

  对应于两矩形特征2,矩阵A的值可以用i(5)+ii(1)-ii(4)-ii(2)表示,矩阵B的值用ii(6)+ii(2)-ii(3)-ii(5)表示

  根据定义,haar特征的值为白色矩形减去黑色矩形的值。

 

三、选取弱分类器

  一个弱分类器,实际上就是在这160,000+的特征中选取一个特征,用这个特征能够区分出人脸or非人脸,且错误率最低。

  现在有人脸样本2000张,非人脸样本4000张,这些样本都经过了归一化,大小都是24X24的图像。那么,对于160,000+中的任一特征fi,我们计算该特征在这2000人脸样本、4000非人脸样本上的值,这样就得到6000个特征值。将这些特征值排序,然后选取一个最佳的特征值,在该特征值下,对于特征fi来说,样本的加权错误率最低。选择160,000+个特征中,错误率最低的特征,用来判断人脸,这就是一个弱分类器,同时用此分类器对样本进行分类,并更新样本的权重。

  具体过程如下:

  1. 归一化权重:  

                        

  2、对于每一个特征f,训练一个弱分类器h;计算所以特征的加权错误率εf,        

                        

  3、选取具有最小错误率εf的弱分类器hi

  4、调整权重

 

四、级联成强分类器

  

五、检测

  检测过程中,通过不断的调整检测窗口的位置、比例,来找到人脸。


### Haar特征的定义与原理 Haar特征是一种在计算机视觉领域广泛使用的特征描述方法,尤其适合于目标检测任务,例如人脸检测[^1]。其核心思想是通过简单的矩形滤波器来捕捉图像中的边缘、线条以及纹理信息。 #### 定义 Haar特征基于一组预定义的模板模式,这些模板可以表示为两个或三个相邻区域之间的像素强度差异。常见的Haar特征包括水平边缘、垂直边缘、对角线方向的条纹以及中心突出的方框结构等。每种特征都由白色黑色矩形组成,其中白区代表正权重,黑区代表负权重[^2]。 #### 原理 计算Haar特征的过程涉及将上述模板应用于输入图像的不同位置,并统计该区域内所有像素值加权后的总和。具体来说,在某个特定窗口上应用某一类型的Haar特征时,会先乘以相应的位置系数再求和得到最终的结果。这种方法能够有效地反映局部对比度变化情况从而区分不同类别对象之间存在的显著区别之处。 为了提高效率并少冗余运算量,“积分图”技术被引入进来作为辅助工具之一。“积分图”的概念是指对于任意给定坐标(x,y),它存储的是从原点到此坐标的子矩阵内所有元素累加之和。利用这一特性可以使原本复杂耗时的操作简化成常数时间完成即O(1)。 ### 应用场景 Haar特征最初是由Paul Viola 和 Michael Jones 提出用于快速面部探测系统当中的一部分构成要素;后来也被扩展至其他多种场合下的实例分割或者跟踪等问题解决过程中发挥重要作用: - **人脸识别**:这是最经典的案例之一,通过训练大量正面脸部样本建立起专用模型之后即可实现实时高效的人脸定位功能。 - **行人检测**:类似于前者但更加注重全身轮廓形状方面的考量因素加入进去形成新的评判标准以便更好地适应实际需求环境变化带来的挑战[^3]。 - **通用物体识别**:除了专门针对某些固定种类之外还可以泛化运用到更多未知类型上面去尝试探索潜在可能性空间范围内的最佳匹配方案选项集合列表里面寻找最优解路径轨迹路线规划地图绘制等等一系列相关联操作流程环节步骤顺序安排合理布局设计构思创意创新思维能力培养锻炼提升等方面均有所体现表现出来效果明显优于传统方法论体系框架结构层次分明清晰易懂便于理解和掌握学习记忆背诵复习巩固加强加深印象持久保持长久不忘遗忘丢失遗漏错误偏差失误风险降低最小程度范围内达到预期目的目标达成一致共识意见统一行动协调配合默契团队合作精神风貌展现风采魅力无限延伸拓展发展空间广阔前景光明未来可期期待憧憬向往追求理想境界高度升华超越自我突破极限创造奇迹辉煌成就伟大事业功成名就名垂青史流芳百世万古长存永恒不朽! ```python import cv2 import numpy as np def compute_haar_feature(image, feature_type='edge'): """ 计算指定类型的Haar特征 参数: image (numpy.ndarray): 输入灰度图像 feature_type (str): 特征类型 ('edge', 'line', ...) 返回: float: 当前窗口下对应Haar特征值 """ if feature_type == 'edge': # 水平边缘特征示例 sum_white = np.sum(image[:int(len(image)/2), :]) sum_black = np.sum(image[int(len(image)/2):, :]) return abs(sum_white - sum_black) # 示例调用 gray_image = cv2.imread('face.jpg', 0) feature_value = compute_haar_feature(gray_image) print(f'Computed Haar Feature Value: {feature_value}') ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值