图像处理之Haar特征

  Haar-like特征是计算机视觉领域一种常用的特征描述算子(也称为Haar特征,这是因为Haar-like是受到一维haar小波的启示而发明的,所以称为类Haar特征),后来又将Haar-like扩展到三维空间(称为3DHaar-Like)用来描述视频中的动态特征。关于Haar的发展历程如图1所示。


图1

Haar-like特征的特点

       目前最常用的还是Haar-like特征,描述图像的特征,多用于人脸检测、行人检测,等目标检测;Haar-like特征可以理解为卷积模板(如同prewittsobel算子,当然不完全一样)Haar-like特征模板内只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特征值反映了图像的灰度变化情况。例如:脸部的一些特征能由矩形特征简单的描述,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。

Haar-like特征分类

Haar-like特征可以分为四类:线性特征、边缘特征、点特征(中心特征)、对角线特征;

也可以分成三类:边缘特征、线性特征(包含对角线特征)、点特征(中心特征);如图1(D)所示。

Haar-like特征的计算

       通过改变特征模板的大小和位置,可在图像子窗口中穷举出大量的特征。图1(D)中的的特征模板称为“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。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数量可以达到16万个。

1) Haar特征个数计算参考博客:

http://blog.csdn.net/xiaowei_cqu/article/details/8216109

2)利用积分图Haar特征的加速算法

        刚开始认为积分图(Integral image)是个高深的东西,其实很简单。对于一个灰度图像I而言,其积分图也是一张与I尺寸相同的图,只不过该图上任意一点(x,y)的值是指从灰度图像I的左上角与当前点所围成的举行区域内所有像素点灰度值之和,有点耳熟吧。类似于图像直方图与图像累积直方图的关系,这里只不过是二维的图像。


       当把扫描图像一遍,到达图像右下角像素时,积分图像就构造好了。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如图2所示。而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。


参考文献:https://en.wikipedia.org/wiki/Haar-like_features

http://blog.csdn.net/xiaowei_cqu/article/details/8216109

http://blog.csdn.net/lg1259156776/article/details/48677637

http://blog.csdn.net/carson2005/article/details/8094699

http://blog.csdn.net/zouxy09/article/details/7929570/


你可能感兴趣的:(Image,processing,Computer,vision)