OpenCV14：Haar特征

首先，我们需要了解特征是什么？所谓特征，就是某个区域的像素点经过某种运算后得到的结果。

其中，结果可能是具体值、向量、矩阵

那么如何利用特征区分目标（即如何判断特征）？方法之一是，类似于阈值判决的方式区分。

所以问题又来了，如何得到这个判断条件呢？这时就要用到机器学习部分的内容。

总的来讲，分为三个问题：

1、弄清特征是什么。

2、如何判决特征。

3、如何得到这个判决（即如何得到判断条件）。

同样的，我们在学习haar特征的时候也是围绕这三个问题去探讨。

首先什么是haar特征？

haar特征有以下15种：

那么我们以第一种haar特征为例来讲述。

蓝色背景表示我们定义的图片，黑白矩形框表示haar特征模板，

假设模板范围为10*10，则该模板覆盖了100个像素点，黑色区域占50，白色区域占50

将当前的黑白两色模板放到图片任意位置，然后白色区域覆盖的50个像素点值之和减去黑色区域覆盖的50个像素点值之和，就得到了haar特征

即 haar特征 = sum（白）- sum（黑）

此外，还有其他计算方式： haar特征 = 整个区域像素点值 * 权重 + 黑色区域像素点值 * 权重。这里的区域指10*10的区域。

接下来，我们考虑如何利用特征进行阈值判决？

Haar特征一般与Adaboost分类器结合在一起使用，因此简略介绍一下Adaboost。

Adaboost分类器的优点是：前一个基本分类器分出来的样本会在下一个分类器中得到加强。加强后的全体样本再次被用来训练下一个分类器。

比如我们有三个苹果，一个香蕉

苹果苹果苹果香蕉

0.1 0.1 0.1 0.5

由于香蕉不是我们期望的，因此在第一次训练后香蕉的系数比较大为0.5，我们将这个结果再次训练，那么苹果的系数会越来越小，香蕉的系数会越来越大。直到迭代的最大次数终止，或者，迭代到训练出来的正确率大于等于设置好的最低值终止。

1）Adaboost分类器的结构

一般的目标要通过15-20个强分类器，若一个目标能通过规定数量的强分类器，则视为预期结果。列如，有三个强分类器，给他们一个输入，如果由Haar特征计算出来的结果满足 X1 > ST1 and X2 > ST2 and X3 > ST3，（其中X1、X2、X3为Haar特征的代表值；ST1、ST2、ST3为三个强分类器的阈值），则被视为苹果。

强分类器的作用是判断当前阈值与当前特征是否吻合，来达到目标判决的效果。

弱分类器的作用是计算Haar特征的X1、 X2、 X3。例如（如上图所示） X2 = sum（y1，y2，y3），其中 $\mathrm{y}_{i}$ 指弱分类器的计算结果。

那么 $\mathrm{y}_{i}$ 如何得到呢？如上图所示，它是由Node节点计算得来。在OpenCV中一个弱分类器最高支持三个Haar特征，每一个Haar特征构成一个Node节点，因此每个特征都看成一个节点。

以Node1为例，其对应特征Haar1，

若 Haar1 > Node1的阈值（NodeT1），则特征Haar1对应特征节点Node1的值 z1 = alpha1；

相反，若 Haar1 < Node1的阈值（NodeT1），则特征Haar1 对应特征节点Node1的值 z1 = alpha2；

类似的，可以计算另外两个Haar特征对应的特征节点（Node2、Node3）的值z2、z3。

那么我们就可以得到Node节点之和 Z = sum（z1，z2，z3）

若 Z > 弱分类器的阈值( WT )，则 y1 = AA（某个值）

相反，若 Z < 弱分类器的阈值( WT )，则 y1 = BB（某个值）

上面的解释是从最上层的强分类器逆着推，那么，我们将其总结一下，从最底层的Node节点向上叙述。

首先，每一个Node节点对应一个Haar特征，这是最底层，OpenCV中一个弱分类器规定最多三个Haar特征。

然后，Node节点本身存在阈值，经Node节点计算出来的Haar特征与其做比较，会得到新的值小 z ，这个值就是Node节点的值。

这时，将三个小z求和，得到大Z。作为输入，送至弱分类器，与弱分类器阈值WT比较，得到y值。

将三个y值求和，得到 X 。作为输入，送至强分类器，与强分类器阈值ST比较，可判断特征与目标是否吻合。

若可以连续通过三个强分类器，则说明判断的目标和原目标一致。

2）Adaboost分类器计算过程

见上面黑体所述

3) Adaboost分类器文件结构：xml类型

OpenCV14：Haar特征相关推荐

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 ...
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 ...
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 ...
Haar特征原理与icvCreateIntHaarFeatures方法的具体实现附详细注释—— 人脸识别的尝试系列（二）
带着强烈的兴趣,上周开始人脸识别的尝试与学习,并且将具体的操作过程记录了下来链接如下:http://blog.csdn.net/u011583927/article/details/44627493 ...
Haar特征与积分图—概念解析
1. Adaboost方法的引入 1.1 Boosting方法的提出和发展在了解Adaboost方法之前,先了解一下Boosting方法. 回答一个是与否的问题,随机猜测可以获得50%的正确率.如果 ...
opencv实战3： CascadeClassifier+Haar特征进行人脸检测
1.级联分类器CascadeClassifier OpenCV官方文档:https://docs.opencv.org/3.4.3/d5/d54/group__objdetect.html 分类器: ...

OpenCV14：Haar特征

OpenCV14：Haar特征相关推荐

最新文章

热门文章