Haar分类器原理1——矩形特征与积分图

引言

Haar分类器又称Viola-Jones识别器，是Viola和Jones分别在2001年的《Rapid Object Detection using a Boosted Cascade of Simple Features》和2004年的《Robust Real-Time Face Detection》提出并改进的。Haar分类器由 Haar 特征提取、离散强分类器、强分类级联器组成。核心思想是提取人脸的 Haar 特征，使用积分图对特征进行快速计算，然后挑选出少量关键特征，送入由强分类器组成的级联分类器进行迭代训练。

1、Haar-like特征

Haar-like矩形特征是用于物体检测的数字图像特征。这类矩形特征模板由两个或多个全等的黑白矩形相邻组合而成，而矩形特征值是白色矩形的灰度值的和减去黑色矩形的灰度值的和，矩形特征对一些简单的图形结构，如线段、边缘比较敏感。如果把这样的矩形放在一个非人脸区域，那么计算出的特征值应该和人脸特征值不一样，所以这些矩形就是为了把人脸特征量化，以区分人脸和非人脸。

之所以选择基于特征的方法而没有选择基于像素的方法是因为,在给定的有限的数据样本情况下,基于特征的检测不但能够编码特定区域的状态,而且通过基于特征设计的系统远比基于像素的系统快。

图1 特征模板

脸部的特征能够由矩形特征简单地描绘，例如眼睛要比脸颊颜色深，鼻梁两侧要比鼻梁颜色深，嘴巴要比周围颜色深等。

图2 矩形特征在人脸图像的特征匹配

对于一个24*24像素分辨率图像，其内的矩阵特征数目大约160000多个，需要通过特定算法选择合适的矩阵特征，并将其组合成强分类器才能检测人脸。

2、积分图

在获得矩形特征后，要计算矩形特征的值。积分图被定义为坐标A(x,y)的积分图是其左上角的所有像素之和，这样对每个像素进行少量的计算得到的“积分图”可以在相同的时间里计算尺度大小不同的矩形特征值，因此大大提高计算速度。
对于图像内一个点A(x,y)，定义其积分图ii(x,y)为：

图3 积分图公式

其中i(x',y')为点(x',y')处的像素值。

坐标A(x,y)的积分图定义为其左上角矩阵所有像素之和，如下图阴影部分所示：

图4 积分图定义示例图

由此可知，要计算两个区域像素值之差（即计算矩形模板的特征值），只需要用特征区域端点的积分图来进行简单加减运行就可以了。用积分图的方法可以快速计算矩形特征的特征值。

图5 矩形特征的特征值计算

如上图示，特征模板的特征值 = 区域B的像素值-区域A的像素值 = [ii4 + ii1 - (ii2 + ii3)] - [ii6 + ii3 - (ii4 + ii5)]。

 

 

转载请标明出处，原文地址：http://blog.csdn.net/jasonding1354/article/details/36896451

 

参考资料：

《学习OpenCV（中文版）》

浅析人脸检测之Haar分类器方法，http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html

基于Adaboost的人脸检测方法及眼睛定位算法研究 龙伶敏