OpenCV14：Haar特征

 首先，我们需要了解特征是什么？所谓特征，就是某个区域的像素点经过某种运算后得到的结果。

其中，结果可能是 具体值、向量、矩阵

那么如何利用特征区分目标（即如何判断特征）？方法之一是，类似于阈值判决的方式区分。

所以问题又来了，如何得到这个判断条件呢？这时就要用到机器学习部分的内容。

总的来讲，分为三个问题：

1、弄清特征是什么。

2、如何判决特征。

3、如何得到这个判决（即如何得到判断条件）。

同样的，我们在学习haar特征的时候也是围绕这三个问题去探讨。

首先什么是haar特征？

haar特征有以下15种：

那么我们以第一种haar特征为例来讲述。

蓝色背景表示我们定义的图片，黑白矩形框表示haar特征模板，

假设模板范围为10*10，则该模板覆盖了100个像素点，黑色区域占50，白色区域占50

将当前的黑白两色模板放到图片任意位置，然后白色区域覆盖的50个像素点值之和 减去 黑色区域覆盖的50个像素点值之和，就得到了haar特征

即 haar特征 = sum（白）- sum（黑）

此外，还有其他计算方式： haar特征 = 整个区域像素点值 * 权重 + 黑色区域像素点值 * 权重。  这里的区域指10*10的区域。

 

接下来，我们考虑如何利用特征进行阈值判决？

       Haar特征一般与Adaboost分类器结合在一起使用，因此简略介绍一下Adaboost。

       Adaboost分类器的优点是：前一个基本分类器分出来的样本会在下一个分类器中得到加强。加强后的全体样本再次被用来训练下一个分类器。

       比如 我们有三个苹果，一个香蕉

       苹果   苹果   苹果   香蕉  

       0.1       0.1     0.1     0.5

      由于香蕉不是我们期望的，因此在第一次训练后香蕉的系数比较大为0.5，我们将这个结果再次训练，那么苹果的系数会越来越小，香蕉的系数会越来越大。直到迭代的最大次数终止，或者，迭代到  训练出来的正确率大于等于设置好的最低值  终止。

1）Adaboost分类器的结构

一般的目标要通过15-20个强分类器，若一个目标能通过规定数量的强分类器，则视为预期结果。列如，有三个强分类器，给他们一个输入，如果由Haar特征计算出来的结果满足 X1 > ST1 and X2 > ST2 and X3 > ST3，（其中X1、X2、X3为Haar特征的代表值；ST1、ST2、ST3为三个强分类器的阈值），则被视为苹果。

强分类器的作用是判断当前阈值与当前特征是否吻合，来达到目标判决的效果。

弱分类器的作用是计算Haar特征的X1、 X2、 X3。例如（如上图所示） X2 = sum（y1，y2，y3），其中 指弱分类器的计算结果。

那么 如何得到呢？如上图所示，它是由Node节点计算得来。在OpenCV中一个弱分类器最高支持三个Haar特征，每一个Haar特征构成一个Node节点，因此每个特征都看成一个节点。

以Node1为例，其对应特征Haar1，

若 Haar1 > Node1的阈值（NodeT1），则 特征Haar1对应特征节点Node1的值 z1 = alpha1；

相反，若 Haar1 < Node1的阈值（NodeT1），则 特征Haar1 对应特征节点Node1的值 z1 = alpha2；

类似的，可以计算另外两个Haar特征对应的特征节点（Node2、Node3）的值z2、z3。

那么我们就可以得到Node节点之和 Z = sum（z1，z2，z3）

若 Z > 弱分类器的阈值( WT )，则 y1 = AA（某个值）

相反，若 Z < 弱分类器的阈值( WT )，则 y1 = BB（某个值）

上面的解释是从最上层的强分类器逆着推，那么，我们将其总结一下，从最底层的Node节点向上叙述。

首先，每一个Node节点对应一个Haar特征，这是最底层，OpenCV中一个弱分类器规定最多三个Haar特征。

然后，Node节点本身存在阈值，经Node节点计算出来的Haar特征与其做比较，会得到新的值小 z ，这个值就是Node节点的值。

这时，将三个小z求和，得到大Z。作为输入，送至弱分类器，与弱分类器阈值WT比较，得到y值。

将三个y值求和，得到 X 。作为输入，送至强分类器，与强分类器阈值ST比较，可判断特征与目标是否吻合。

若可以连续通过三个强分类器，则说明判断的目标和原目标一致。

2）Adaboost分类器计算过程

见上面黑体所述

3)  Adaboost分类器文件结构：xml类型