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：

1. 如何快速计算那么多的特征？–积分图。
2. 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。

• 点赞
• 收藏
• 分享
• • 文章举报

CV-GANRocky 发布了95 篇原创文章 · 获赞 37 · 访问量 3402 私信 关注

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