Haar类特征及其在视觉跟踪中的应用

看Haar类特征时间比较久了，一直搞不清楚它的定义以及它在visual tracking 中的应用，今天总算有点感觉。

同时也意识到，必须对自己的体会和理解做一个简单的整理。

每个Haar类特征分类器是由一个矩特征、阈值及标志不等号方向的数组成。其中特征不仅与矩形的尺度有关，还与矩形所处的位置有关。觉得在训练分类器时，样本的大小必须是一样的。然后让同一个矩形在这些样本上面同时移动，找出最好的矩特征。但是，第一个矩特征肯定有分错的样本，而且错误率很高。第二次重新对这些样本进行训练，不过这次对上次分错的样本增加权重，重点训练分错的样本，以此类推，最后对这些选出的弱分类器加权即可得最终的强分类器。

Haar类特征是目标识别领域内广泛使用的数字图像特征。由于与Harr小波本质的相似性而得名，是第一个实时人脸检测器。

历史上，只利用图像强度(例如图像每个像素处的RGB像素值)使得特征计算任务非常繁重。Papageorgiou等人基于Haar小波而不是通常的像素强度值作为替代的特征集。Viola和Jones基于这一思想提出了Haar类特征。Haar类特征主要研究检测窗内指定位置处相邻区域，将每一个区域内像素和进行累加，计算 区域内像素和之差。利用这个差值对图像子区域进行分类。例如：现有一个人脸图像数据库。通常在所有人脸中眼睛区域的颜色要比两颊的深。因此人脸检测中常见的特征位于眼睛和脸颊区域之上的两个相邻矩形。这些矩形的位置是相对于检测窗(对于目标图像相当于边界框)而定义的。

在Viola-Jones目标检测框架的检测阶段，与目标尺寸相同的窗口在输入图像上移动，在图像的每个子部分计算Haar-类特征。像素差与已学习得到的用来识别目标与非目标的阈值做比较。因为这个Haar类特征仅是一个弱分类器。需要大量的Haar类特征以充分的精度描述目标。在Viola-Jones目标检测框架内，众多Haar-类特征以分类器串联的方式被组织起来形成了一个强学习器或分类器。

Haar-类特征相比于其他绝大多数特征的主要优势在于其计算速度。由于使用了积分图像，可在常数时间内计算任何尺寸的Haar-like特征。

1Rectangular Haar-like features

简单的Harr类矩特征被定义为矩形内任意位置任意尺寸区域像素和之差。称这种修正的特征集为2-矩特征。Viola-Jones同时定义了3矩和4矩特征。这种值说明了图像特定区域内的

2Fast computation of Haar-like features

3Tilted Haar-like features

4References