图像特征之 Haar-like特征(一)概述及特征值数量计算

1.haar-like特征介绍
- 最初用于描述人脸, 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
黑色矩形像素和 - 白色矩形像素和。
- 邻域矩形灰度差特征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,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。
- OpenCV的Haar分类器是基于扩展后的特征库实现的。
- 基本的特征有 3 类
图像特征之 Haar-like特征(一)概述及特征值数量计算_第1张图片
模板 A 的特征值计算公式为: v=Sum黑-Sum 白。
模板 B 的特征只计算公式为: v=Sum黑-Sum 白。
模板 C 的特征只计算公式为: v=2*Sum黑-Sum 白。
模板 D 的特征只计算公式为: v=Sum黑-Sum 白。
而模板 C 中保证做差时像素的数目相等,将 Sum黑乘以 2

  • 用得比较多的特征,也就是特征原型有:
    1.边缘特征
    图像特征之 Haar-like特征(一)概述及特征值数量计算_第2张图片
    2.线特征
    图像特征之 Haar-like特征(一)概述及特征值数量计算_第3张图片
    3.点特征(中心特征)
    图像特征之 Haar-like特征(一)概述及特征值数量计算_第4张图片
    4.对角特征
    图像特征之 Haar-like特征(一)概述及特征值数量计算_第5张图片

    我们在计算特征值时,通过改变各类模板的大小和在子窗口中的位置,得到很多的矩形特征,由这些矩形特征计算出子窗口中所有 的特征值。
    图像特征之 Haar-like特征(一)概述及特征值数量计算_第6张图片
    图像特征之 Haar-like特征(一)概述及特征值数量计算_第7张图片

  • 特征值数量计算:

    • 普通特征(水平竖直的)
      图像特征之 Haar-like特征(一)概述及特征值数量计算_第8张图片
  • 倾斜特征
    -可以按照(w+h)*(h+w)的大小,按照普通特征的计算方法计算。

你可能感兴趣的:(OpenCV,机器视觉,视频图像处理,OpenCv学习)