Haar+adaboost人脸识别

前言

人脸识别的算法总的可以分为两步，首先是特征提取的部分，然后是根据特征进行判断；

01  首先我们来看一下特征提取的部分

图像的特征包含有图像的颜色特征、纹理特征、形状特征和空间关系特征。

在算法中，特征就是某个区域的像素点经过某种四则运算后所得到的结果。这种结果可以是一个具体的值，可以是一个向量，

可以是一个矩阵亦或是一个多维的数组。

所以说，特征的本质其实就是像素运算的结果。

 

02  判别部分

假设我们已经通过某种方法得到了我们所需要的特征，那么接下来要做的就是利用这些特征来区分目标了。

这里我们采用阈值判决法，即如果这个特征的取值大于某个特定的阈值，那么我们便认为他属于这个目标。

 

我们如何得到这个特定的阈值呢？总不能都以0.5为界吧？

这就要借助到我们的机器学习部分的方法了，我们通过使用机器学习的算法来得到这个判决阈值。

 

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 

 

这里我们要用到的特征是haar特征，那我们就来看一下什么是haar特征

Haar特征最先由Paul Viola等提出，后经过RainerLienhart等扩展引入45°倾斜特征，成为现在OpenCV所使用的的样子。

下图展示了目前OpenCV（2.4.11版本）所使用的共计14种Haar特征，包括5种Basic特征、3种Core特征和6种Titled(即45°旋转)特征。

 

拓展类型的原理与基本类型相同，只是在角度上或者是形状上稍有区别。

从图中可以看出，haar特征其实就是一些矩形区域，

在后续会对其进行放大的操作，但是同一个类型的矩形区域不管放大多少，其黑白面积比都不变。

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。

ok，现在我们明白了什么是haar特征，下面我们就来