Haar-like特征
分为三类:边缘特征、线性特征、中心特征和对角线特征,组合成特征模板。特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。haar特征反映的是图像的灰度变化情况。如脸部的一些特征能由矩形特征简单描述,如:眼睛要比脸颊颜色要深,鼻梁两侧比鼻梁颜色要深,嘴巴比周围颜色要深。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。(见矩形模板图.jpg)对于图中A、B、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,计算公式为:v=sum白-2*sum黑(矩形区域中像素数目要一致)
矩形特征可以位于图像任意位置,大小也可以任意改变,所以矩形特征值是矩形特征模板类别、矩形位置、矩形大小这三个因素的函数。故类别、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可以达到16万个。这样就有两个问题需要解决了:1)如何计算那么多特征---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。
Haar-like特征的计算--积分图
积分图就是只遍历一次图像就可以求出图像中所有区域像素和的快速算法,大大提高了图像特征值计算效率。
积分图的主要思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中,当要计算某个区域的像素和时可以直接索引数组的元素,不用重新计算这个区域的像素和,从而加快计算。积分图能够在多种尺度下,使用相同的时间(常数时间)来计算不同的特征,因此大大提高了检测速度。
积分图的构造方式是位置(i,j)处的值ii(i,j)(ii(i,j)是原图像(i,j)左上角方向所有像素的和)。
积分图的构建算法:
1)用s(i,j)表示行方向的累加和,初始化s(i,-1)=0;
2)用ii(i,j)表示一个积分图像,初始化ii(-1,i)=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)和积分图像ii(i,j)的值
s(i,j)=s(i,j-1)+f(i,j)
ii(i,j)=ii(i-1,j)+s(i,j)
4)扫描图像一遍,当达到图像右下角像素时,积分图像ii就构造好了
积分图构造好之后,图像中任何矩阵区域的像素累加和都可以通过简单运算得到。Haar-like特征值无非就是两个矩阵像素和的差,同样可以在常数时间内完成。所以矩形特征的特征值计算,只与此特征矩形的端点的积分图有关,所以不管此特征矩形的尺度变换如何,特征值的计算所消耗的时间都是常量。这样只要遍历图像一次,就可以求得所有子窗口的特征值。
相关推荐
本文介绍图像识别和目标检测中常用的特征,分别是Haar(哈尔)特征、LBF(local binary pattern)特征、HOG(histogram of orientation gradient)特征共 三种。 一、Haar特征 参考链接...
传统的目标检测任务主要通过人工提取特征模型建立,常用的特征包括:HOG、SIFT、Haar等,特征提取模型之后进行支持向量机或者Adaboost的分类任务,进而得到我们所关注的目标结果。由于特征模型的局限性,我们引入...
该人脸识别实例是一个基于深度学习和计算机视觉技术的应用...Haar 级联分类器是一种基于 Haar 特征的目标检测方法,特别适用于检测具有特定形状的物体,如人脸等。该模型文件包含了经过训练的分类器,用于检测人脸正面
丰富的功能:库中包含了数千个优化过的函数,涵盖了计算机视觉领域的诸多方面,如图像处理(滤波、形态学操作、色彩空间转换等)、特征检测与描述(如SIFT、SURF、ORB等)、物体识别与检测(如Haar级联分类器、HOG...
然后,在拼接图像上结合积分图快速提取各运动区域的Haar特征,并采用双支持向量机实现快速的特征分类;最后,结合包围盒相交策略进行帧间滤波,降低行人误检现象。实验表明,该方法不仅可以实时检测行人目标,而且...
传统的目标检测任务主要通过人工提取特征模型建立,常用的特征包括:HOG、SIFT、Haar等,特征提取模型之后进行支持向量机或者Adaboost的分类任务,进而得到我们所关注的目标结果。由于特征模型的局限性,我们引入...
该插件能够帮助开发者在Unity中轻松地添加图像处理和计算机视觉功能,例如图像识别、人脸识别、目标跟踪、物体检测等。 OpenCVForUnity的主要功能包括以下几个方面: 图像处理和计算机视觉算法 OpenCVForUnity提供...
31Shi-Tomasi 角点检测 & 适合于跟踪的图像特征 32介绍 SIFT(Scale-Invariant Feature Transform) 33介绍 SURF(Speeded-Up Robust Features) 34角点检测的 FAST 算法 35BRIEF...
使用单日摄像头采集图像,以二自由度冗余机器人为控制对象,利用Haar特征提取对目标进行粗跟踪。进一步获得目标l=特定的几个特征点,基于平行不变性原理,得到机器人末端操作器的实际位姿参数。通过求解机器人的逆...
这一步通常采用一些经典的目标检测算法,如 Haar 特征分类器、HOG(Histogram of Oriented Gradients)特征结合 SVM(Support Vector Machine)分类器等。通过训练得到的路标检测模型,可以有效地识别出图像中的路标区域。
首先建立背景帧, 利用前景帧与背景帧的差分图像拟合噪声曲线, 提取噪声与亮暗运动目标的阈值, 消除噪声, 分割出运动区域; 然后通过AdaBoost学习算法选择少量有效的Haar-like弱矩形特征构造强分类器; 最后在运动区域...
8.6.1 最近邻特征点目标提取 317 8.6.2 最大极值稳定区域匹配MSER 320 8.6.3 字符特征提取 324 8.6.4 车牌字符SVM 训练.. 327 8.7 小结. 331 第 9 章高级篇——复杂视频处理技术.. 332 9.1 视频稳像技术. 333 9.2 ...
以类Haar-HOG融合特征作为目标车辆描述方法,采用AdaBoost算法离线训练获得的级联分类器进行前方车辆辨识;对因遮挡问题未被识别出前方车辆的感兴趣区域,提出基于激光雷达坐标系下位置关系信息的再确认方法。(5)无人...
针对可见光学遥感图像港口舰船检测过程中,人造目标造成检测结果准确率低、虚警率高的问题,提出了一种基于边缘线梯度特征定位和聚合通道特征的舰船检测方法。基于多尺度多结构元素形态学滤波实现海陆分割;并结合遥感...
第7章讨论了人脸检测和Haar级联,并解释如何使用这些方法来检测人脸的各个部分;第8章探索背景差分、视频监控和形态学图像操作,并描述了它们如何彼此关联;第9章介绍如何使用不同的技术跟踪目标,如基于颜色和基于...
采用高斯混合模型建模特征场,以MRF模型作为标记场先验概率分布模型,通过EM算法迭代使得参数估计和图像分割交替进行,最后采用模板匹配检测建筑物目标的位置。选择多幅遥感图片进行实验,结果表明,采用分解层数为3的...
首先,由CCD摄像头获得人脸视频图像,采用Haar特征和基于AdaBoost算法的目标检测手段确定人脸区域,再通过图像分析手段提取2个眼角、2个嘴角和鼻尖共5个特征点;然后,以一幅正面图像的特征点位置为参考,对实时图像...
其次,遍历相册中的每张照片,检测出该照片上所有的人 脸,提取人脸特征值,然后用目标人脸训练模型依次对人脸特征值进行预测比对,如果两者 之间只要有一次高度匹配,就保留该照片,立即进入下一张照片的搜索,如果...