传统经典CV算法_Haar
作者:互联网
Haar特征原理
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,组合成特征模版。特征模版内有白色和黑色两种矩形,并定义该模版的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。脸部的一些特征能由矩形简单的描述,如眼睛要比脸颊颜色深,鼻梁两侧比鼻梁颜色深,嘴巴比周围颜色深等。但矩形特征只对一些简单的图形结构,如边缘、线段较敏感所以只能描述特定走向(水平、垂直、对角)的结构。
对于图中的A,B和D这类特征,特征数值计算公式为:v = Sum白 - Sum黑,而对于C来说,计算公式如下: v = Sum白 - 2 * Sum黑。之所以将黑色区域像素和乘以2,是为了使两种矩形区域中像素数目一致。
通过改变特征模版的大小和位置,可在图像子窗口中穷举出大量的特征。上图的特征模版称为“特征原型”。特征原型在图像子窗口中扩展(平移伸缩)得到的特征称为“矩形特征”,矩形特征的值称为“特征值”。
矩形特征可位于图像任意位置,大小也可以任意改变,所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。所以类别、大小和位置的变化,使得很小的检测窗口含有非常多的矩形特征,如:在24 * 24像素大小的检测窗口内矩形特征数量可以达到16万个。这样就有两个问题需要解决了:
- 如何快速计算那么多的特征?–积分图。
- 哪些矩形特征才是对分类器分类最有效的?–如通过AdaBoost算法来训练。
标签:Haar,模版,Sum,像素,特征,算法,矩形,CV 来源: https://blog.csdn.net/Rocky6688/article/details/104004010