1. 基本概念
Haar分类器 = Haar-like特征 + 积分图(Integral Image)方法 + AdaBoost + 级联
Haar分类器算法的要点如下:
1)使用Haar-like特征做检测
2)使用积分图(Integral Image)对Haar-like特征求值进行加速
3)使用AdaBoost算法训练区分人脸和非人脸的强分类器
4)使用筛选式级联把强分类器级联到一起,提高准确率
Haar分类器实际上是Boosting算法的一个应用,Haar分类器用到了Boosting算法中的AdaBoost算法,只是把AdaBoost算法训练出的强分类器进行了级联,并且在底层的特征提取中采用了高效率的矩形特征和积分图方法。
Boosting算法的核心思想,是将弱学习方法提升成强学习算法,也就是“三个臭皮匠顶一个诸葛亮”。
1.1 人脸特征值
将任意一个矩形放到人脸区域上,然后将白色区域的像素和减去黑色区域的像素和,得到的差值称之为人脸特征值。
1.2 弱学习与强学习
弱学习:就是指一个学习算法对一组概念的识别率只比随机识别了一点
强学习:就是指一个学习算法对一组概念的识别率很高。
只要有足够的数据,弱学习算法就能通过集成的方式生成任意高精度的强学习方法。
二、Haar分类器的具体含义
2.1 、Haar-like特征是什么?
什么是特征,我把它放在下面的情景中来描述,假设在人脸检测时我们需要有这么一个子窗口在待检测的图片窗口中不断的移位滑动,子窗口每到一个位置,就会计算出该区域的特征,然后用我们训练好的级联分类器对该特征进行筛选,一旦该特征通过了所有强分类器的筛选,则判定该区域为人脸。
那么这个特征如何表示呢?好了,这就是大牛们干的好事了。后人称这他们搞出来的这些东西叫Haar-Like特征。
下面是Viola牛