图像处理——Haar特征

Haar特征最初是用来进行人脸特征的表示的，最近重新看了SURF算法，发现在生成特征点描述子的时候也有用到Haar特征。查看了一些博文，自己整理一些，方便以后复习。
Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模型。特征模板有黑白两种颜色，且定义模板的特征值为模板中白色区域的像素总和减去黑色区域的像素总和。这里还涉及到积分图像的应用。Haar特征反应的是图像的灰度变化情况。但是矩形特征只对一些简单的图形结构，如边缘、线段比较敏感，所以只能描述特定走向（水平、垂直、对角）的结构。
积分图像
积分图像是一种能够描述全局信息的矩阵表示方法，他的构造方式是积分图中某个点的值表示该点左上角所有像素之和，具体方式如下所示：
1) 用 s(i,j)表示行方向的累加和，即第i行前j列像素之和，初始化为s(i,-1)=0
2) 用 T(i,j)表示一个积分图像，初始化为T(-1,j)=0
3) 逐行扫描图像，递归计算每个像素（i,j）行方向的累加和s(i,j) 与（i,j）左上角方向积分图的累加和
s(i,j) = s(i,j-1) + I(i,j)
T(i,j) = T(i-1,j) + s(i,j)
如下图所示：

在上述积分图像中，若要得到 A区域的像素和，则需要T(4) , B区域的像素和为T(12) - T(11) ,区域C的像素和为 T(16) - T(14), 区域D的像素和为 T(8) + T(5) - T(6) - T(7)
Haar特征的模板有如下几种

关于一幅图像有多少个特征数量可以参考这个博客
特征模板数量计算参考

import cv2
#积分图
def intergralMat(input=[],weight=0,height=0):output=[]#output.clear()columnSum = [0 for i in range(weight)] #[0, 0, 0, 0, 0, 0, 0, 0, 0]for i in range(height):output.append([0 for x in range(weight)])for j in range(weight):if j==0:columnSum[j] = int(input[i][j])else:columnSum[j]=columnSum[j-1] + int(input[i][j])if i==0:output[i][j]=columnSum[j]else:output[i][j]=output[i-1][j]+columnSum[j]return output#Haar特征 默认size=1 ,deep=2
def wHaar(interM = [],weigth = 0,height = 0,size = 1,deep = 2):dst = []for i in range(height - deep + 1):dst.append([0 for x in range(weigth - size)])for j in range(weigth - 2*size +1):white,black = (0,0)if j == 0 and i==0:white = int(interM[i+deep-1][j+size-1])elif i!=0 and j==0:white = int(interM[i + deep - 1][j + size - 1]) - int(interM[i - 1][j + size -1])elif i == 0 and j != 0:white = int(interM[i+deep-1][j+size-1]) - int(interM[i+deep-1][j-1])else:white = int(interM[i+deep-1][j+size-1]) + int(interM[i+deep-3][j+size-2]) - int(interM[i+deep-1][j+size-2]) - int(interM[i+deep-3][j+ size -1])_i = i_j = j + sizeif _i == 0:black = int(interM[_i+deep-1][_j+size-1]) - int(interM[_i+deep-1][_j+size-2])else:black = int(interM[_i+deep-1][_j+size-1]) + int(interM[_i+deep-3][_j+size-2]) - int(interM[_i+deep-1][_j+size-2]) - int(interM[i+deep-3][_j+size-1])dst[i][j] = black - whitereturn dstif __name__ == '__main__':src = cv2.imread(r'D:\Python Code\picture\cat1.jpg')tmp = src.copy()b,g,r = cv2.split(src)_w = len(g[0]) #图像的宽 391_h = len(g)   #图像的长220#print _w , _h#g通道in_g = intergralMat(g,_w,_h)  #返回积分图像Haar_g = wHaar(in_g,_w,_h)  #返回Haar特征#b通道in_b = intergralMat(b,_w,_h)  #返回积分图像Haar_b = wHaar(in_b,_w,_h)  #返回Haar特征#r通道in_r = intergralMat(r,_w,_h)  #返回积分图像Haar_r = wHaar(in_r,_w,_h)  #返回Haar特征dst1 = []dst2 = []dst3 = []#print len(Haar_b), len(Haar_b[0])for x in range(len(Haar_g)): #219dst1.append([])dst2.append([])dst3.append([])for y in range(len(Haar_g[0])): #390if Haar_g[x][y] > 0:dst2[x].append(255)else:dst2[x].append(0)if Haar_b[x][y] > 0:dst1[x].append(255)else:dst1[x].append(0)if Haar_r[x][y] > 0:dst3[x].append(255)else:dst3[x].append(0)for x in range(len(dst1)):for y in range(len(dst1[0])):f1 = dst1[x][y]f2 = dst2[x][y]f3 = dst3[x][y]tmp[x,y] = [f1,f2,f3]cv2.imshow('src',src)cv2.imshow('test',tmp)cv2.waitKey(0)

参考的别人的博客，只用了竖直方向的模板，模板如上图所示。其他模板也类似，旋转45度的可能有点难度，具体可以参考这篇文献
Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection

图像处理——Haar特征相关推荐

图像处理之Haar特征
Haar-like特征是计算机视觉领域一种常用的特征描述算子(也称为Haar特征,这是因为Haar-like是受到一维haar小波的启示而发明的,所以称为类Haar特征),后来又将Haar-like扩 ...
OpenCV学习笔记（三十一）——让demo在他人电脑跑起来 OpenCV学习笔记（三十二）——制作静态库的demo，没有dll也能hold住 OpenCV学习笔记（三十三）——用haar特征训练自己
OpenCV学习笔记(三十一)--让demo在他人电脑跑起来这一节的内容感觉比较土鳖.这从来就是一个老生常谈的问题.学MFC的时候就知道这个事情了,那时候记得老师强调多次,如果写的demo想在人家那 ...
Haar特征和级联分类器目标检测介绍及应用
文章目录 Haar特征和级联分类器目标检测介绍及应用 1. Haar特征 2. 级联分类器 3. 实现步骤 4.尝试训练自己的级联分类器 4. 应用示例 Haar特征和级联分类器目标检测介绍及应用 H ...
Haar特征类有哪些最新发表的毕业论文呢？
一.总体简介 Haar特征的相关文献在2006年到2020年内共计132篇,主要集中在自动化技术.计算机技术.无线电电子学.电信技术.公路运输等领域,其中期刊论文100篇.会议论文4篇.专利文献28 ...
svm训练特征提取——图像特征提取三大法宝：HOG特征，LBP特征，Haar特征
图像特征提取三大法宝:HOG特征,LBP特征,Haar特征一.HOG特征 1.HOG特征: 即局部归一化的梯度方向直方图,是一种对图像局部重叠区域的密集型描述符, 它通过计算局部区域的梯度方向直方图 ...
物体识别算法——SIFT/SURF、haar特征、广义hough变换的对比分析
著作权归作者所有. 商业转载请联系作者获得授权,非商业转载请注明出处. 作者:cvvision 链接:http://www.cvvision.cn/7780.html 来源:CV视觉网识别算法概述: ...
利用OpenCV的级联分类器类CascadeClassifier和Haar特征实现人脸区域的检测
级联分类器是将若干个分类器进行连接,从而构成一种多项式级的强分类器.级联分类器使用前要先进行训练,怎么训练呢?用目标的特征值去训练,对于人脸来说,通常使用Haar特征进行训练. Haar特征是由M.O ...
分类器是如何做检测的？（2）——【续】检测中的LBP和HAAR特征计算过程
前面介绍分类器检测过程的示例中是以HOG特征为例,那LBP和HAAR特征在xml中是如何表达和测试的呢? 2.3 LBP与HAAR特征 HAAR特征的计算和表达方式与HOG很类似,在OpenCV ...
目标检测的图像特征提取—Haar特征
1.Haar-like特征 Haar-like特征最早是由Papageorgiou等应用于人脸表示,Viola和Jones在此基础上,使用3种类型4种形式的特征. Haar特征分为三类:边缘特征.线性 ...
人脸识别案例：【实战】opencv人脸检测+Haar特征分类器
1 基础我们使用机器学习的方法完成人脸检测,首先需要大量的正样本图像(面部图像)和负样本图像(不含面部的图像)来训练分类器.我们需要从其中提取特征.下图中的 Haar 特征会被使用,就像我们的卷积核 ...

图像处理——Haar特征

图像处理——Haar特征相关推荐

最新文章

热门文章