基于两种特征的猫脸检测

简述

《cat face detection with two heterogeneous features》这篇文章讲用joint haar特征和CoHog特征组合+adaboost算法做猫脸检测。harr特征提高速度，COHOG特征提高准确率。

特征组合

joint haar特征

这个特征略弱，目前不关注，待补充。

COHOG特征

COHOG特征从配对梯度方向直方图来计算，我们称之为共生矩阵。从图像中提取出来的COHOG特征我们用线性SVM做的线性分类器来评估。GOHOG特征是检测猫脸的第二步(上图b),所以只需要对图像的一部分进行分析，所以时间消耗并不多。

1.计算每个像素的梯度方法

梯度方法的计算方法

2.分块并计算共生矩阵

计算方法

共生矩阵计算方法

其中每个块的像素数是nm级的，这个统计的是每个(i,j)对在当前的offset偏移情况下，当前块中所有像素对构成(i,j)的个数和。而这个offset偏移一般在4个像素的半径的圆之内，所以我们会在另一片论文中看到

31个像素的理解

其实不管一个块有多大(起码大于99的)基本上每个像素都能画出一个半径为4像素的圆形，所以每个偏移都有一个矩形，而对于同一个偏移每个像素对的两个梯度方向对是不一样的(可以有64种可能)，所以我们转化为向量的COHOG的维度就是(30 64+8)块数。

这里比较难理解的就是这里一个块里的矩阵数位31。主要是由偏移距离决定了，每一个偏移都有一个统计矩阵，统计了每一个像素与其在这个偏移上的对应像素组成的像素对在梯度方向上的分布情况(!!!重要的句子要打三个感叹号)

关于这篇文章先理解到这里，因为我已经得到我想要的东西了。