14- OpenCV+TensorFlow 入门人工智能图像处理-haar特征

haar特征

1. 什么是haar特征？

特征 = 某个区域的像素点经过某种四则运算之后得到的结果。

这个结果可以是一个具体的值也可以是一个向量，矩阵，多维。

矩阵运算

1. 如何利用特征 区分目标？

阈值判决，如果大于某个阈值，认为是目标。小于某个阈值认为是非目标。

1. 如何得到这个判决？

使用机器学习。

1. 特征是什么？ 2. 如何进行判决特征 3. 如何得到这个判决

什么是haar特征？

mark

这些是在opencv中使用的haar特征。

• 基础类型(5种) 核心(三种)

这里的14个图片分别对应十四种特征。

第一种特征以黑白两色构成。分为上下结构。

mark

蓝色区域表明我们所得到的图片。黑白矩形框是我们的特征模板。

比如: 我们的模板是一个(10,10)的矩阵，共覆盖了100个像素点。黑白各占50个像素点

将当前模板放在图像上的任意位置上，在这里，用白色区域覆盖的50个像素之和减去黑色区域的50个像素之和得到我们的特征。

mark

其他两个公式

mark

这里的整个区域指黑白两色覆盖的整个100个像素。这两个权重是不一样的。

推导公式的一样性。

整体的权重值为1 黑色部分权重值为-2

公式二: 整个区域的像素值 * 权重1 + 黑色部分 * 权重2
= 整个区域 * 1 + 黑色部分 * -2
=(黑 + 白) * 1 + 黑色部分 * -2
= 白色 - 黑色

haar特征遍历过程

mark

上一节讲解了haar特征的计算原理。

假设这个haar特征的模板是(10,10)共100个像素。图片的大小是(100,100)

如果想获取这个图片上所有的harr特征。使用当前模板沿着水平和竖直方向进行滑动。

从上到下，从左到右进行遍历。遍历的过程中要考虑步长问题。

这个模板一次滑动几个像素。一次滑动10个像素，就需要9次。加上最开始的第0次。
10个模板。

计算这100个模板才能将haar特征计算完毕。

如果我们的步长设置为5.那么就要滑动20次。400个模板。运算量增加4倍。

其实仅仅这样的一次滑动并没有结束，对于每一个模板还要进行几级缩放，才能完成。

haar特征:

1. 什么是haar？

特征 = 像素 运算 -> 结果(具体值 向量 矩阵 多维)

1. 如何利用特征 区分目标？

阈值判决

1. 得到判决？

机器学习

• 1 特征 2 判决 3 得到判决

公式推导 权重1为1 权重2为-2

特征 = 整个区域*权重1 + 黑色*权重2 = （黑+白）*1+黑*（-2）=
= 黑+白-2黑 = 白-黑

• haar模版 从上至下 从左至右
• image size 模版 size

100*100图片 10*10模板 100次(个模板) step = 10
1. 100*100 2. 10*10 3. step 10 4. 模版1

• 模版 不仅可以滑动 还能缩放 10*10 第二次滑动 11*11 20级(20次缩放)

举例 图片大小1080*720 步长step2 10*10模板

计算量 = 14个模版*20级缩放*(1080/2*720/2) * (100点+ -) = 50-100亿
(50-100)*15 = 1000亿次

积分图

mark

积分图听起来有点像数据累加。特征计算时讲解了前两种公式。

无论是哪种计算公式，都要求计算矩阵方框中的公式。

所以基于这种思想有人提出了一种简单的算法。

有ABCD四个区域，每个区域都是一个矩形方块。

A区域是左上角那一块小区域，而B区域是包含A区域的长条。

C区域又是包含A的竖直长条。D区域是四个方块之和。

1,2,3,4表明这四个小区域。

进行快速计算:

 A 1 B 1 2 C 1 3 D 1 2 3 4
 4 = A-B-C+D = 1+1+2+3+4-1-2-1-3 = 4(10*10 变成3次+-)

任意一个方框，可由周围的矩形进行相减得到。

问题: 在计算每一个方块之前，需要将图片上所有的像素全部遍历一次。

mark

p1 p2 p3 p4 分别是指某一个特征相邻的abcd的模块指针。

adaboost分类器 训练

haar特征 + Adaboost是一个非常常见的组合，在人脸识别上取的非常大成功

Adaboost分类器优点在于前一个基本分类器分出的样本，在下一个分类器中会得到加权。
加权后的全体样本再次被用于训练下一个基本分类器。

我们有 苹果 苹果 苹果 香蕉 找出苹果

第一次训练权值分别为: 0.1 0.1 0.1 0.5

因为香蕉是我们不需要的所以0.5，我们正确的样本系数减小，负样本得到加强。

把出错的样本进行加强权值。再把整个结果送到下一个基本分类器

• 训练终止条件：1. for迭代的最大次数 count 2. 每次迭代完的检测概率p

1. 分类器的结构 2. Adaboost分类器计算过程 3. opencv自带的人脸识别的Adaboost分类器的文件结构(xml)

haar特征计算完之后要进行阈值判决，实际是一个个判决过程。

if(haar> T1) 苹果[第一级分类器]；[第二级分类器]and haar>T2

两级都达成了，才会被我们认定为苹果。

两级分类器的阈值分别是t1 和 t2，对于每一级的分类器我们称之为强分类器。

2个强分类器组成。一般有15-20强分类器。 要连续满足15-20个强分类器才能认证为目标。

分类器的结构:

mark

3个强分类器,每个强分类器会计算出一个独立的特征点。使用每一个独立的特征进行阈值判。

强分类器1 特征x1 阈值t1 强分类器2 特征x2 阈值t2 3同理

进行判决过程: x1>t1 and x2>t2 and x3>t3

三个判决同时达成，目标-》苹果

三个强分类器只要有一个没通过就会被判定为非苹果。作用：判决。

每个强分类器由若干个弱分类器组成

1强 对多个弱分类器 对应多个特征节点

弱分类器作用：计算强分类器特征x1 x2 x3

强分类器的输入特征是多个弱分类器输出特征的综合处理。

x2 = sum（y1,y2,y3）

y1 弱分类器特征谁来计算的？

node节点来计算

一个弱分类器最多支持三个haar特征，每个haar特征构成一个node节点

• 3个haar -》 3个node

node1 haar1 > node的阈值T1  z1 = a1
node1 haar1 < node的阈值T1  z1 = a2
Z = sum(z1,z2,z3) > 弱分类器T y1 = AA
Z = sum(z1,z2,z3) < 弱分类器T y1 = BB

从node向强分类器

haar->Node z1 z2 z3 弱分类器Z=sum(z1,z2,z3)

Z>T y1 y2 y3: 弱分类器的计算特征

第三层强分类器: x = sum(y1,y2,y3) > T1 obj