Haar特征描述算子-人脸检测

Haar前期简介

在AdaBoost算法的基础上，使用Haar-like小波特征和积分图方法进行人脸检测，需要补充说明，小波特征不是由Viola和Jones这两位大神完成的，经由他们设计的人脸检测更为有效，在此基础上，他们继续探索AdaBoost，进行AdaBoost训练出的强分类器进行级联。这对于人脸检测的意义，是非常重要的，可以说是里程碑的一笔。在完成Viola-Jones检测器之后，后来继续对其完善，Rainer Lienhart和Jochen Maydt两位大牛将这个检测器进行了扩展，最终形成了OpenCV现在的Haar分类器。

Haar-like 特征

主要分为：边缘特征、线性特征、中心特征和对角线特征，组成特征模板，他分为黑白两种颜色的矩形，被定义的特征值为白色矩形像素和减去黑色矩形像素和。它的特征值反映了图像的灰度变化情况

重点内容

深入理解Haar-like特征
理解积分图的计算算法原理
理解使用积分图来计算Haar特征值算法原理和实际用途
理解Haar特征归一化算法原理
学会使用OpenCV自带的Haar分类器进行人脸检测，简单实训

算法理论简介

Haar-like特征的计算—积分图

通过积分图，可以一次遍历出来图像中所有区域像素，大大提高图像特征计算的效率。
积分图主要将图的各点区域像素之和作为数组元素保存。当需要某个区域像素时，则可以直接遍历数组获取。提高相应的计算效率。
积分图的构造方式是:位置（𝑖,𝑗）处的值𝑖𝑖(𝑖,𝑗)是原图像(𝑖,𝑗)左上角方向所有像素𝑓(𝑘,𝑙)的和： KaTeX parse error: Unexpected character: '�' at position 2: �̲�𝑖(𝑖,𝑗)=∑𝑘≤… 积分图构建算法：

1、用𝑠(𝑖,𝑗)表示行方向的累加和，初始化𝑠(𝑖,−1)=0；

2、使用𝑖𝑖(𝑖,𝑗)表示一个积分图像，初始化𝑖𝑖(−1,𝑖)=0；

3、逐行扫描图像，递归计算每个像素(𝑖,𝑗)行方向的累加和𝑠(𝑖,𝑗)和积分图像𝑖𝑖(𝑖,𝑗)的值： KaTeX parse error: Unexpected character: '�' at position 2: �̲�(𝑖,𝑗)=𝑠(𝑖,…

KaTeX parse error: Unexpected character: '�' at position 2: �̲�𝑖(𝑖,𝑗)=𝑖𝑖…
结束时，扫描到达图像右下角像素，形成积分图像𝑖𝑖。
演示：
图像四个点为α,β,γ,δ，则图像的像素可用KaTeX parse error: Unexpected character: '�' at position 2: �̲�𝑠𝑢𝑚=𝑖𝑖(α)…来表示。Haar-like特征值指两个矩阵像素和的差。

计算Haar特征值

一个区域的像素值的和，可以由该区域的端点的积分图来计算。由前面特征模板的特征值的定义可以推出，矩形特征的特征值可以由特征端点的积分图计算出来

经验分享与总结

1、准备人脸、非人脸样本集；
2、计算特征值和积分图；
3’ 今次学习了解了Haar-like 特征算子在图像计算的应用。如何快速扫描图片的像素，保存以及迅速查找对应区域的像素，对于图像像素的处理，基本上掌握，需要更加多练习，进而更加熟练。

[1].https://github.com/datawhalechina/team-learning/blob/master