Haar特征基础及图像特征识别实例

Haar特征基本概念

写在前面：这是我在百度云上学习的资料，然后整理的一些内容，百度云链接如下：链接：https://pan.baidu.com/s/1N94Qlo8JMQpACpOWa8V2fg
提取码：7amh
Haar特征是一种反映图像的灰度变化的，像素分模块求差值的一种特征。主要分为以下四类：边缘特征，线性特征，对角线特征，中心特征；用黑白两种矩形框组合成特征模板，在特征标题模板内用 黑色矩形像素和减去 白色矩形像素和来表示这个模版的特征值。

Haar特征对人脸部的特征检测，其主要由矩形模块差值特征进行简单的描述，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，所以只能描述在特定方向（水平、垂直、对角）上有明显像素模块梯度变化的图像结构。

Haar特征：像素的运算结果（具体值，向量，矩阵，多维数组）
特征 = 白色 - 黑色
特征 = 整个区域 * 权重 + 黑色 * 权重；
特征 = （p1 - p2 - p3 + p4）* w

基于Harr + Adoboost分类器的人脸识别，源代码如下所示：

import cv2
import numpy as np
#加载load xml 参数1 file name
face_xml = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_xml = cv2.CascadeClassifier('haarcascade_eye.xml')
print('aaaa')
img = cv2.imread('face6.jpg')
cv2.imshow('src', img)
#haar gray 转化成灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#detect faces I data 检测人脸：1.灰度图片数据 2缩放系数 3目标大小
faces = face_xml.detectMultiScale(gray, 1.3, 5)
print('face=', len(faces))
#draw方框
for (x, y, w, h) in faces:
    #起点坐标。起始坐标
    cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)
    #我们已经找到的人脸区域
    roi_face = gray[y:y+h, x:x+w]
    roi_color = img[y:y+h, x:x+w]#绘制彩色人
    eyes = eye_xml.detectMultiScale(roi_face)
    #参数1 gray
    print('eye=', len(eyes))
    for(e_x, e_y, e_w, e_h) in eyes:
        cv2.rectangle(roi_color, (e_x, e_y), (e_x+e_w, e_y+e_h), (0, 255, 0), 2)
cv2.imshow('dst', img)
cv2.waitKey(0)

调用的是Adoboost分类器的一些基础已经训练好的识别眼睛和脸的分类器，下面是经过训练好后的图片标注识别

如上图所示，火箭三巨头的头像都可以完整的识别，但是眼睛有的没有识别出来，这是Adboost自带的分类器效果太差，后期我会采用大量数据集训练出来自己的分类器，从而可以增强图像特征的识别率。