train_cascade 源码阅读之Haar特征

最新推荐文章于 2021-04-04 22:15:59 发布
最新推荐文章于 2021-04-04 22:15:59 发布
阅读量997 收藏
点赞数
分类专栏： 人脸检测
下面片段是生成用于在积分图中的矩形块的坐标，Feature类中存的是在积分图矩阵中的初始偏移量，矩形的左上角坐标和宽高，以及是否旋转。不同类型的Haar特征已经在代码中体现的很明确了，故不赘述。
[cpp]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. <span style="font-size:14px;">void CvHaarEvaluator::generateFeatures()  
  2. {  
  3.     int mode = ((const CvHaarFeatureParams*)((CvFeatureParams*)featureParams))->mode;  
  4.     int offset = winSize.width + 1;  
  5.     for( int x = 0; x < winSize.width; x++ )  
  6.     {  
  7.         for( int y = 0; y < winSize.height; y++ )  
  8.         {  
  9.             for( int dx = 1; dx <= winSize.width; dx++ )  
  10.             {  
  11.                 for( int dy = 1; dy <= winSize.height; dy++ )  
  12.                 {  
  13.                     // haar_x2  
  14.                     if ( (x+dx*2 <= winSize.width) && (y+dy <= winSize.height) )  
  15.                     {  
  16.                         features.push_back( Feature( offset, false,  
  17.                             x,    y, dx*2, dy, -1,  
  18.                             x+dx, y, dx  , dy, +2 ) );  
  19.                     }  
  20.                     // haar_y2  
  21.                     if ( (x+dx <= winSize.width) && (y+dy*2 <= winSize.height) )  
  22.                     {  
  23.                         features.push_back( Feature( offset, false,  
  24.                             x,    y, dx, dy*2, -1,  
  25.                             x, y+dy, dx, dy,   +2 ) );  
  26.                     }  
  27.                     // haar_x3  
  28.                     if ( (x+dx*3 <= winSize.width) && (y+dy <= winSize.height) )  
  29.                     {  
  30.                         features.push_back( Feature( offset, false,  
  31.                             x,    y, dx*3, dy, -1,  
  32.                             x+dx, y, dx  , dy, +3 ) );  
  33.                     }  
  34.                     // haar_y3  
  35.                     if ( (x+dx <= winSize.width) && (y+dy*3 <= winSize.height) )  
  36.                     {  
  37.                         features.push_back( Feature( offset, false,  
  38.                             x, y,    dx, dy*3, -1,  
  39.                             x, y+dy, dx, dy,   +3 ) );  
  40.                     }  
  41.                     if( mode != CvHaarFeatureParams::BASIC )  
  42.                     {  
  43.                         // haar_x4  
  44.                         if ( (x+dx*4 <= winSize.width) && (y+dy <= winSize.height) )  
  45.                         {  
  46.                             features.push_back( Feature( offset, false,  
  47.                                 x,    y, dx*4, dy, -1,  
  48.                                 x+dx, y, dx*2, dy, +2 ) );  
  49.                         }  
  50.                         // haar_y4  
  51.                         if ( (x+dx <= winSize.width ) && (y+dy*4 <= winSize.height) )  
  52.                         {  
  53.                             features.push_back( Feature( offset, false,  
  54.                                 x, y,    dx, dy*4, -1,  
  55.                                 x, y+dy, dx, dy*2, +2 ) );  
  56.                         }  
  57.                     }  
  58.                     // x2_y2  
  59.                     if ( (x+dx*2 <= winSize.width) && (y+dy*2 <= winSize.height) )  
  60.                     {  
  61.                         features.push_back( Feature( offset, false,  
  62.                             x,    y,    dx*2, dy*2, -1,  
  63.                             x,    y,    dx,   dy,   +2,  
  64.                             x+dx, y+dy, dx,   dy,   +2 ) );  
  65.                     }  
  66.                     if (mode != CvHaarFeatureParams::BASIC)  
  67.                     {  
  68.                         if ( (x+dx*3 <= winSize.width) && (y+dy*3 <= winSize.height) )  
  69.                         {  
  70.                             features.push_back( Feature( offset, false,  
  71.                                 x   , y   , dx*3, dy*3, -1,  
  72.                                 x+dx, y+dy, dx  , dy  , +9) );  
  73.                         }  
  74.                     }  
  75.                     if (mode == CvHaarFeatureParams::ALL)  
  76.                     {  
  77.                         // tilted haar_x2  
  78.                         if ( (x+2*dx <= winSize.width) && (y+2*dx+dy <= winSize.height) && (x-dy>= 0) )  
  79.                         {  
  80.                             features.push_back( Feature( offset, true,  
  81.                                 x, y, dx*2, dy, -1,  
  82.                                 x, y, dx,   dy, +2 ) );  
  83.                         }  
  84.                         // tilted haar_y2  
  85.                         if ( (x+dx <= winSize.width) && (y+dx+2*dy <= winSize.height) && (x-2*dy>= 0) )  
  86.                         {  
  87.                             features.push_back( Feature( offset, true,  
  88.                                 x, y, dx, 2*dy, -1,  
  89.                                 x, y, dx, dy,   +2 ) );  
  90.                         }  
  91.                         // tilted haar_x3  
  92.                         if ( (x+3*dx <= winSize.width) && (y+3*dx+dy <= winSize.height) && (x-dy>= 0) )  
  93.                         {  
  94.                             features.push_back( Feature( offset, true,  
  95.                                 x,    y,    dx*3, dy, -1,  
  96.                                 x+dx, y+dx, dx,   dy, +3 ) );  
  97.                         }  
  98.                         // tilted haar_y3  
  99.                         if ( (x+dx <= winSize.width) && (y+dx+3*dy <= winSize.height) && (x-3*dy>= 0) )  
  100.                         {  
  101.                             features.push_back( Feature( offset, true,  
  102.                                 x,    y,    dx, 3*dy, -1,  
  103.                                 x-dy, y+dy, dx, dy,   +3 ) );  
  104.                         }  
  105.                         // tilted haar_x4  
  106.                         if ( (x+4*dx <= winSize.width) && (y+4*dx+dy <= winSize.height) && (x-dy>= 0) )  
  107.                         {  
  108.                             features.push_back( Feature( offset, true,  
  109.                                 x,    y,    dx*4, dy, -1,  
  110.                                 x+dx, y+dx, dx*2, dy, +2 ) );  
  111.                         }  
  112.                         // tilted haar_y4  
  113.                         if ( (x+dx <= winSize.width) && (y+dx+4*dy <= winSize.height) && (x-4*dy>= 0) )  
  114.                         {  
  115.                             features.push_back( Feature( offset, true,  
  116.                                 x,    y,    dx, 4*dy, -1,  
  117.                                 x-dy, y+dy, dx, 2*dy, +2 ) );  
  118.                         }  
  119.                     }  
  120.                 }  
  121.             }  
  122.         }  
  123.     }  
  124.     numFeatures = (int)features.size();  
  125. }</span>  
接着，在 CvHaarEvaluator::Feature构造函数中，对刚刚求得的坐标做了偏移量上的转换。
[cpp]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. <span style="font-size:14px;">CvHaarEvaluator::Feature::Feature( int offset, bool _tilted,  
  2.                                           int x0, int y0, int w0, int h0, float wt0,  
  3.                                           int x1, int y1, int w1, int h1, float wt1,  
  4.                                           int x2, int y2, int w2, int h2, float wt2 )  
  5. {  
  6.     tilted = _tilted;  
  7.   
  8.     rect[0].r.x = x0;  
  9.     rect[0].r.y = y0;  
  10.     rect[0].r.width  = w0;  
  11.     rect[0].r.height = h0;  
  12.     rect[0].weight   = wt0;  
  13.   
  14.     rect[1].r.x = x1;  
  15.     rect[1].r.y = y1;  
  16.     rect[1].r.width  = w1;  
  17.     rect[1].r.height = h1;  
  18.     rect[1].weight   = wt1;  
  19.   
  20.     rect[2].r.x = x2;  
  21.     rect[2].r.y = y2;  
  22.     rect[2].r.width  = w2;  
  23.     rect[2].r.height = h2;  
  24.     rect[2].weight   = wt2;  
  25.   
  26.     if( !tilted )  
  27.     {  
  28.         for( int j = 0; j < CV_HAAR_FEATURE_MAX; j++ )  
  29.         {  
  30.             if( rect[j].weight == 0.0F )  
  31.                 break;  
  32.             CV_SUM_OFFSETS( fastRect[j].p0, fastRect[j].p1,   
  33.                             fastRect[j].p2, fastRect[j].p3, rect[j].r, offset )  
  34.         }  
  35.     }  
  36.     else  
  37.     {  
  38.         for( int j = 0; j < CV_HAAR_FEATURE_MAX; j++ )  
  39.         {  
  40.             if( rect[j].weight == 0.0F )  
  41.                 break;  
  42.             CV_TILTED_OFFSETS( fastRect[j].p0, fastRect[j].p1,   
  43.                                fastRect[j].p2, fastRect[j].p3, rect[j].r, offset )  
  44.         }  
  45.     }  
  46. }  
  47. </span>  
CV_SUM_OFFSET和CV_TILTED_OFFSET是计算偏移量的宏，它们将左上角点和宽高转换成在单行sum或者tilted矩阵中的位置。sum矩阵的求法和LBP中是一样的，也是利用了OpenCV自带的cv::integral函数，而斜45度的矩阵也没有用到旋转图像之类的操作，而是…嗯，还是integral函数，自带重载功能，实现了45度倾斜操作。
[cpp]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. <span style="font-size:14px;">void CvHaarEvaluator::setImage(const Mat& img, uchar clsLabel, int idx)  
  2. {  
  3.     CV_DbgAssert( !sum.empty() && !tilted.empty() && !normfactor.empty() );  
  4.     CvFeatureEvaluator::setImage( img, clsLabel, idx);  
  5.     Mat innSum(winSize.height + 1, winSize.width + 1, sum.type(), sum.ptr<int>((int)idx));  
  6.     Mat innTilted(winSize.height + 1, winSize.width + 1, tilted.type(), tilted.ptr<int>((int)idx));  
  7.     Mat innSqSum;  
  8.     integral(img, innSum, innSqSum, innTilted);  
  9.     normfactor.ptr<float>(0)[idx] = calcNormFactor( innSum, innSqSum );  
  10. }</span>  
归一化因子计算如下：
[cpp]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. <span style="font-size:14px;">float calcNormFactor( const Mat& sum, const Mat& sqSum )  
  2. {  
  3.     CV_DbgAssert( sum.cols > 3 && sqSum.rows > 3 );  
  4.     Rect normrect( 1, 1, sum.cols - 3, sum.rows - 3 );  
  5.     size_t p0, p1, p2, p3;  
  6.     CV_SUM_OFFSETS( p0, p1, p2, p3, normrect, sum.step1() )  
  7.     double area = normrect.width * normrect.height;  
  8.     const int *sp = (const int*)sum.data;  
  9.     int valSum = sp[p0] - sp[p1] - sp[p2] + sp[p3];  
  10.     const double *sqp = (const double *)sqSum.data;  
  11.     double valSqSum = sqp[p0] - sqp[p1] - sqp[p2] + sqp[p3];  
  12.     return (float) sqrt( (double) (area * valSqSum - (double)valSum * valSum) );  
  13. }</span>  

SqSum是平方积分图。
最后，不同小块乘上权重系数，作为Haar特征值。
[cpp]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. <span style="font-size:14px;">inline float CvHaarEvaluator::Feature::calc(  
  2.         const cv::Mat &_sum,  
  3.         const cv::Mat &_tilted,  
  4.         size_t y) const  
  5. {  
  6.     const int* img = tilted ?  
  7.                 _tilted.ptr<int>((int)y) : _sum.ptr<int>((int)y);  
  8.     float ret = rect[0].weight * (  
  9.                 img[fastRect[0].p0]  
  10.             - img[fastRect[0].p1]  
  11.             - img[fastRect[0].p2]  
  12.             + img[fastRect[0].p3] ) +  
  13.             rect[1].weight * (  
  14.                 img[fastRect[1].p0]  
  15.             - img[fastRect[1].p1]  
  16.             - img[fastRect[1].p2]  
  17.             + img[fastRect[1].p3] );  
  18.     if( rect[2].weight != 0.0f )  
  19.         ret += rect[2].weight * (  
  20.                     img[fastRect[2].p0]  
  21.                 - img[fastRect[2].p1]  
  22.                 - img[fastRect[2].p2]  
  23.                 + img[fastRect[2].p3] );  
  24.     return ret;  
  25. }</span>  
荪荪
关注
专栏目录
人脸检测源码解析——4、Haar特征集
啤酒兄弟
10-31 2444
// （3）创建特征评估器CvHaarEvaluator        featureEvaluator= CvFeatureEvaluator::create(cascadeParams.featureType);        //CvHaarEvaluator 初始化，开辟内存，生成特征集        featureEvaluator->init((CvFeatureParams*)
python+opencv+haarcascade实现实时人脸识别
dafei178的博客
10-29 1572
一：准备阶段 需要准备的库和python解释器 二：测试cv能否运行 # 导入cv import cv2 as cv # 读取图片，这里最好用文件的绝对路径，否则容易报错。注意用‘/’或者‘\\’代替‘\' img = cv.imread('*:\\****\\****\\****\\****.jpg') cv.imshow('read_img',img) cv.waitKey(0) cv.destroyAllWindos() 三：人脸识别的基本原理 调用“detectFac...
traincascade源码解读
qq_23536063的博客
10-11 1453
阅读源码位于opencv\sources\apps\traincascade中，下面主要是利用traincascade训练框架的大致的理解 【1】traincascade.cppint main(int argc, char* argv[]) { CvCascadeClassifier classifier; string cascadeDirName, vecName, bgNa
train_cascade 源码阅读系列
MaybePossible
01-30 562
train_cascade 特征提取 train_cascade 源码阅读之LBP特征  train_cascade 源码阅读之Haar特征 train _cascade 源码阅读之HOG特征 cascade   OpenCV 决策树 之 理论准备 OpenCV 决策树 之 使用方法 train_cascade 源码阅
matlab中haar特征提取
05-06
matlab中haar特征提取，包括计算积分图，补0操作，和利用积分图计算haar特征
opencv haartraining的训练文件生成
一个爱编程的人专栏
11-18 1174
main_path = 'D:\\workspace\\haar_train\\tougue\\'; main_path_1 = 'D:\\workspace\\haar_train\\'; train_path = [main_path_1, 'info.txt']; fid=fopen(train_path,'w'); fclose(fid); dat = dir( main_pat
用Python实现简单的人脸识别，10分钟搞定！（附源码）
热门推荐
qq_38082146的博客
03-19 11万+
前言 让我的电脑认识我，我的电脑只有认识我，才配称之为我的电脑！ 今天，我们用Python实现简单的人脸识别技术！ Python里，简单的人脸识别有很多种方法可以实现，依赖于python胶水语言的特性，我们通过调用包可以快速准确的达成这一目的。这里介绍的是准确性比较高的一种。 欲直接下载源代码文件，关注微信公众号：Python联盟，回复“人脸识别”即可获取~ 一、首先 梳理一下实现人脸识别需要进行的步骤： 流程大致如此，在此之前，要先让人脸被准确的找出来，也就是能准确区分人脸的分类器，在这
【人脸识别7】haar+CART+Adaboost+Cascade训练过程分析
gogo小Sa的专栏
06-09 2760
【人脸识别7】haar+CART+Adaboost+Cascade训练过程分析 人脸检测分类器可以总结为： 人脸检测分类器=haar-like （特征）+CART(弱)+ Adaboost（强） + Cascade（级联） 下面将从以下几个问题入手，各个击破： 1.什么是Haar特征？为什么使用feature而不是直接使用pixels？ 2.什么是CART分类回归树？CART在本...
Python语言OpenCV开发之人脸检测和识别
基斯卡人lmy
07-08 5206
前言 使计算机视觉成为极具吸引力学科的原因之一就是：它正在逐步的变成现实，人脸检测就是例证。在现实生活中人脸检测可用于各行各业，而OpenCV提供了人脸检测的算法。 本节会讲述OpenCV中人脸检测函数以及如何识别人脸。 正文 1、 Haar级联 人脸检测技术主要涉及到Haar特征、积分图和Haar级联三大类。Haar特征分为四类：边缘特征、线性特征、中心特征和对角线特征，将这些特征...
Opencv2.4.9源码分析——Cascade Classification（二）
赵春江的专栏
01-09 6576
上一篇文章我们介绍了级联分类器的原理，下面我们给出级联分类器的源码分析。 训练级联分类器的源码在opencv/sources/app/traincascade目录下。 首先我们给出级联分类器的特征类型的相关类和函数。 CvHaarFeatureParams、CvLBPFeatureParams和CvHOGFeatureParams分别表示HAAR状特征、LBP特征和HOG特征的参数类
OpenCV 人脸检测自学(3)
naruto0001的专栏
10-12 7200
从Opencv教程上才发现下面的话。要是早点看到就好了，就不用看haartraining了，不过话说haartraining的网上的资料还是有不少的，但是traincascade就比较少了，所以只能自己硬着头皮看代码了。在程序的使用上跟haartraining差不多，代码流程部分在这记录下以后慢慢补充。 ”OpenCV中有两个程序可以训练级联分类器： opencv_haartraining
cascade.xml参数解析
靈飛
05-11 1364
本文转载自： http://blog.csdn.net/wuxiaoyao12/article/details/48088999 上图显示的参数，大多与opencv_traincascade.exe的输入参数已知。其中maxCatCount和featSize定义如下         maxCatCount：int maxCatCount; // 0 in case of n
Adaboost应用系列之二：Opencv2.0中利用Adaboost训练LBP特征产生xml分类器
holybin的专栏
01-06 1万+
前4个步骤 1.采集样本 2.预处理样本 3.生成正负样本描述文件 4.创建正样本vec文件 参考另一篇文章《Opencv2.0中利用Adaboost训练Haar特征产生xml分类器》，详细见http://blog.csdn.net/holybin/article/details/16840875。 5.训练样本 （1）上一篇文章采用的是opencv_haartrai
机器学习 之 LBP特征
苏的专栏
01-04 7831
综述：： LBP特征：Local Binary Pattern，局部二值模式特征，是一种用来描述图像局部纹理特征的算子。LBP特征算子计算简单、效果较好，数据量小，因此LBP特征在计算机视觉的许多领域都得到了广泛的应用，LBP特征比较多用于目标检测中。LBP计算出的特征具有灰度不变性和旋转不变性等显著优点，例如对光照不敏感。 LBP的基本算子原始的LBP算子定义为在3*3的窗口内，以窗口中心像素
【人脸识别】基于matlab GUI Haar分类器五官定位【含Matlab源码 686期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
04-04 2469
Haar分类器五官定位 完整代码，直接运行，适合小白！可提供运行操作视频！
haar-like特征
jay463261929的博客
01-17 925
1. Haar-like特征     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。 矩形特征的值， 是指图像上两个或多个形状大小相同的矩形内部所有像素灰度值之和差值， 即使用白色矩形区域所有像素灰度值之和减去黑色矩形区域所有像素灰度值之和。 Haar特征分为三类：边缘特征、线性特征、中心
OpenCV:OpenCV目标检测Adaboost+haar源代码分析
wishchinYang的专栏
03-21 2658
Haar+Adaboost检测计算大致的函数调用堆栈。
OpenCV中CascadeClassifier类实现多尺度检测源码解析
梦想腾飞
12-10 2万+
opencv中目标检测函数CascadeClassifier类别解读
OpenCV源码中Haar训练及提取特征的代码
liulina603的专栏
12-04 1万+
我想计算Haar特征，自己手动计算感觉挺麻烦（主要在取各个不同位置、不同scale的特征），而且可能速度不够。 OpenCV 的这个把所有东西都封装起来了，由于我的online-boosting和它的框架不一样，不能直接使用。我在源码中看了半天，发现里面又有 internal haar feature又有fast haar feature，还有什么Thaar feature。源码中注释比较少，看
使用opencv行人检测分类器haarcascade_fullbody进行人体定位
总结来说，haarcascade_fullbody.rar_Fullbody detection_haarcascade_fullbody资源是一个能够用于OpenCV进行全身体行人检测的工具，其核心是基于Haar特征级联分类器的原理，而haarcascade_fullbody.xml文件则是该...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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