Haar级联分类器概述

最新推荐文章于 2024-03-19 23:01:35 发布

地瓜你个大番薯

最新推荐文章于 2024-03-19 23:01:35 发布

阅读量9.9k

点赞数 5

文章标签： opencv 计算机视觉机器学习人工智能

本文链接：https://blog.csdn.net/weixin_43667730/article/details/123280461

版权

Haar级联分类器是一种用于目标检测的算法，特别是在人脸识别中广泛应用。它基于Haar-like特征，结合积分图和Adaboost训练，形成级联分类器以高效检测特定区域。特征值计算利用白色和黑色矩形区域像素的差值，通过积分图加速。经过多级弱分类器的级联，实现对人脸特征的精确匹配和检测。

摘要由CSDN通过智能技术生成

Haar级联分类器概述

—— 才疏学浅, 难免有错误和遗漏, 欢迎补充和勘误.

Haar级联分类器是基于Haar-like特征，运用积分图加速计算，并用Adaboost训练的强分类器级联的方法来进行人脸检测。
目前常用Haar-like特征的分类有：

图1. Haar-like特征分类

首先定义每个Haar-like特征的特征值 $f_i$ 为：
featurevalue $_{i}=$ weight white $\sum_{p \in \text { wite }} p$ - weightblack $\sum_{p \text { Eblack }} p$
即 $f_i$ =白色区域像素-黑色区域像素，weight为权重值，其是为了白、黑两种矩形区域的像素数目一致，保证在灰度绝对均匀的地方其特征值是0。
Haar-like特征的值经过运算可以反映该区域的灰度变化情况，将一副输入图像的每一个区域也做类似的运算后与训练集中图像的Haar-like特征值对比，如图2所示，根据生活实际我们有以下常识：在人脸上鼻梁两边部位的颜色比鼻梁处更深，两个眼睛部位的颜色比旁边脸颊处更深等，所以可以据此判断输入图像是否具有人脸特征。

图2. Haar-like特征在人脸图中的应用

特征模板经过平移、伸缩变换得到一系列新的矩形特征。矩形特征根据其类型、位置和大小的不同，可以在一副图像中可以生成非常多的矩形特征从而增大了计算压力，所以需要运用积分图的方法来提高特征值的计算效率。
积分图的构造方式是：位于图像 $(i, j)$ 处的积分图 $i i (i, j)$ 是该处左上角方向所有像素 $f (k, l)$ 的和：integral_image $j)=\sum_{k \leq i, l \leq j} f(k, l)$
积分图在图像各个点的处上储存了其左上角所有像素的和，下面是对图像中某一区域运用积分图计算Haar-like特征来得到其特征值：

图3. 矩形特在坐标中的表示

区域A的像素值为： $i i (5) + i i (1) - i i (2) - i i (4)$ ，
区域B的像素值为： $i i (6) + i i (2) - i i (5) - i i (3)$ 。
该矩形特征的特征值为： $\begin{array}{l} ii(5) + ii(1) - ii(2) - ii(4) - \left[ {ii(6) + ii(2) - ii(5) - ii(3)} \right]\\ = \left[ {ii(5) - ii(4)} \right] + \left[ {ii(3) - ii(2)} \right] - \left[ {ii(2) - ii(1)} \right] - \left[ {ii(6) - ii(5)} \right] \end{array}$

对于 $m$ 个正、负样本图像中的某个固定特征fi计算出每张图像该特征的特征值，将计算出的 $m$ 个特征值进行排序和打标识，然后根据上节(基于AdaBoost级联分类器的人脸/眼睛位置检测算法概述)1.中的原理取到最优阈值并获得该特征下的最优弱分类器，根据上节2.和3.原理来训练出该特征的强分类器，最终通过级联的方式获得Haar级联分类器。下图为运用Haar级联分类器来检测人脸的过程：