在人脸识别领域,有时候 Pixel intensities 并不是最佳的图像特征,它们变化很大,图像质量受光照和视点的影响很大。为此 Paul Viola 和 Michael Jones 于 2001 发表论文: “Rapid Object Detection using a Boosted Cascade of Simple Features”, 提出一个基于机器学习的传统图像处理算法——在 AdaBoost 算法的基础上,使用 Haar-like 小波特征(简称类haar特征)和积分图方法进行人脸检测。
1. 核心步骤
- Integral images for fast feature evaluation
- Boosting for feature selection
- Attentional cascade for fast rejection of non-face windows
2. Features & Integral Images
把矩形框放到人脸图像区域上,将矩形框内的白色区域像素之和减去黑色区域的像素之和,得到的就是所谓的人脸特征值。这些特征反映了图像的灰度变化,将人脸特征量化,以区分人脸和非人脸。
Integral image 的引入避免了很多重复的计算。每个像素点的值是该像素点左上角所有像素点的和。这样, 无论图片多大, 只要使用四个点的位置就可以计算一个区域。