beerbuddys-CSDN博客

翻译 Face Alignment at 3000 FPS via Regressing Local Binary Features-译

回归局部二值特征实现3000帧每秒人脸对齐

2014-11-02 20:50:43 2841

原创人脸检测源码解析——6、强分类器的诞生

一切准备就绪，下面我们来看强分类器是如何训练的，该过程在CvCascadeBoost::train函数中完成，代码如下：bool CvCascadeBoost::train( const CvFeatureEvaluator* _featureEvaluator, int _numSamples,

2014-11-02 19:29:20 4484 1

原创人脸检测源码解析——5、加载数据

前面已经准备好haar特征集，打开了正样本数据文件，也有负样本的图片列表。现在开始真正读取需要的正负样本图片，着手进行级联分类器的训练。// （4）读取正负样本数据集，统计前面i个强分类器的虚警率 tempLeafFARate if( !updateTrainingSet( tempLeafFARate ) ) { cout

2014-10-31 14:21:51 1889

原创人脸检测源码解析——4、Haar特征集

// （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*)

2014-10-31 11:47:32 2429

原创人脸检测源码解析——3、准备数据

我们来看步骤（1）创建图片读取器中完成了哪些工作。正样本先来看一下正样本长什么样，这在前面的原理部分已经讲过。我们会收集大量的人脸图片，然后转成0-255的灰度图片，缩放到同样的尺寸比如24*24。opencv中提供工具可以把这些小图像以vec文件的格式存到一个大文件中，以加快读取的速度并方便训练程序处理。

2014-10-31 11:12:56 1468

原创人脸检测源码解析——2、概要流程

跟进CvCascadeClassifier::train函数的代码，该函数里面包含了分类器训练的完整流程，已经在重要的位置做了注释，带有括号编号的（X）为重要步骤，后面将逐一详细解析。这里我们主要是对整体流程进行把握，不必深入细节。

2014-10-31 10:14:23 2134

原创人脸检测源码解析——1、训练参数

在后面的章节中我们将对opencv2.4.9版本的Haar特征训练级联分类器的流程进行解析。打开OpenCV解决方案，找到applications/opencv_traincascade项目，训练的主要代码都在该项目中。1. 入口函数main打开traincascade.cpp文件，训练程序是一个命令行程序，用来设置训练的数据源和一些必要参数。二话不说先运行一把看看，编译项目运行打印如下

2014-10-31 09:58:37 2059

原创怎样让机器学会检测人脸——6、级联分类器

前面我们已经得到了一个强分类器H(x)，我们知道它是有缺陷的，它的Recall=0.995，FalseAlarmRate=0.5，也就说它能办让99.5%的人脸通过，同时也有50%的非人脸也能通过。有了强分类器我们得到一条结论：如果一个样本Xi，强分类器H(Xi) ，那么它不是人脸。那如果H(Xi) > ST呢？答案是还不能确定，需要进一步观察。就好

2014-10-27 20:51:25 1209 4

原创怎样让机器学会检测人脸——5、强分类器

分类器性能评价上回说到为S(x)选取阈值ST，在此之前我们先引入评价一个分类器性能的指标。因为阈值的选取是与性能指标密切相关的。用C(x)表示一个分类器，对于一个样本Xi，它输出+1或者-1。输出+1表示判别为正样本，-1表示判别为负样本。测试数据有P个正样本，N个负样本，根据分类器C的输出统计出下表。其中TP表示正样本输出+1的个数，FP表示负样本输出为+1个数。

2014-10-27 15:47:40 1289

原创怎样让机器学会检测人脸——4、AdaBoost

前面已经得到弱分类器了，它可以给出一个样本Xi，弱分类器h(Xi)可以输出[-1,+1]之间的值，正值表示属于正样本概率高，负值表示属于负样本概率高。仅凭一个弱分类器h(Xi)就对Xi作出最终分类，底气不足，有很大的错判风险。俗话说的好，三个臭皮匠顶个诸葛亮，这里的一个弱分类器就是一个臭皮匠，它的话多数时候是对的，但是绝不能只听它一家之言。我们用同样的方法从不同的数据集上训练多个这样的弱分类器

2014-10-27 15:26:24 1056

原创怎样让机器学会检测人脸——3、弱分类器

前面已经谈到我们收集的数据：一共收集了有P个人脸图片（正样本），N个非人脸图片（负样本），记总数为M=P+N。已经知道如何提取特征——Haar特征：假设我们使用的图像大小为W*H，全部的haar特征总数为F个（F很大，数以万计）。现在对每个样本图片提取全部特征，第i个样本图片得到F个特征值组成特征向量Xi[F]，那么所有样本的Xi按行存入矩阵X[M][F]，矩阵X为一个M行F列二维

2014-10-26 10:02:10 1268 1

原创怎样让机器学会检测人脸——2、Haar特征

继续解决我们提出的问题，让机器判别一副图片是否是人脸。仔细观察一下人脸的图片可以发现一些规律，比如大部分人脸鼻尖和嘴巴处比较亮，眼睛和眉毛的位置比较暗。也就是说不同部位的亮度差异对判别人脸是有帮助的。即将登场的Haar特征正是一种这样的特征，它定义为两个块的均值之差。下面的图中有10X10共100个正样本图片，每个图片都是20X20的灰度图。因为我们的样本是从互联网上到处搜集的，拍摄环境多

2014-10-25 22:20:04 1057

让我们先从人类的学习说起，当你还是3岁孩子的时候，看到的事物都是新的，对世界充满了好奇也感到很迷惑。是你的爸爸妈妈一遍一遍的指着一个会摇尾巴汪汪叫的动物告诉你，这是一条小狗，你会睁大眼睛观察它的样子，仔细听它的叫声，还会伸手去抚摸它松软的毛，然后学着爸爸的口型说“小狗”。当你和狗狗相处了相当长的时间，你对它越来越熟悉，当你只看到它的尾巴，或者听到它的叫声，甚至闭上眼睛摸到它的毛，都能够轻松并且肯定

2014-10-25 22:01:23 1166

啤酒兄弟