分类器是如何做检测的？——【续】检测中的LBP和HAAR特征计算过程

 前面介绍分类器检测过程的示例中是以HOG特征为例，那LBP和HAAR特征在xml中是如何表达和测试的呢？

2.3    LBP与HAAR特征

HAAR特征的计算和表达方式与HOG很类似，在OpenCV的haartraining.exe中，feature保存在每个weakclassifier中，而之后的traincascade.exe中则是以LBP、HOG、HAAR三种统一的方式——在stages后面用features节点来统一存储——来保存features的pool。

     2.3.1    HAAR特征

在haar特征的训练中（无论是老版本的haartraining还是现在的traincascade），都是有BASIC/CORE/ALL三种特征组合待选的，默认情况为BASIC。三种情况下对应的特征选取分别如下：

BASIC：

      （对于最后一种point型特征，在ALL类型中有看到，BASIC中没有看到，但不知是否被选入这种特征）

CORE中的增加项：

ALL中的增加项：

 

最后，HAAR特征的表达形式是以不止一个rect来表示的。比如

表达的是下图中的特征，tilted表达是否倾斜。

其中第一个矩形是外部最大的矩形，第二个为中间的红色矩形。

其他特征都是以类似的形式表达，矩形后的-1和3是该矩形的weight，也就是3*rect2-rect1；它的统一形式是sumof( rect[i]*weight[i] )。当然这里的rect同样是在维护一系列指向积分图中的指针。

    2.3.2    LBP特征

LBP特征的计算与HAAR、HOG有很大不同，在判断某个矩形的LBP特征应当属于左叶子还是右叶子的时候，HAAR和HOG只是用当前节点的threshold来判定就可以了；而LBP的节点结构是图6所示：

图6. LBP节点示意图

节点中同样是有0和-1来做左右节点代码，33是feature ID，也就是所在的矩形，而后面紧跟的8个数将会被保存在vector<int> subset结构中，每个节点有8个这样的数，因而最终subset的size = nodes.size()* 8。

就以上面的这个节点来描述下判定规则：

首先33对应的是下面的矩形

这个矩形将对应到积分图中的16个int型指针，他们的对应关系如图7所示，ID号33中给出的矩形位置就是图中的A矩形。根据图中的关系可以得到9个矩形中的16个指针，每个指针存储的是积分图中该点右上方矩形内的灰度和。这样利用积分图能够快速计算出A~I共9个矩形内的灰度和，然后除E之外的其他矩形与E矩形内的结果作对比，大小将被标记为0或1，这样8个矩形将得到一个8位数c。

图7. Rect与LBP特征计算位置的关系示意图

接下来就是关键的如何根据c判断当前矩形应当走向左节点还是右节点了。

sum += cascadeLeaves[subset[c>>5]& (1 << (c & 31)) ? leafOfs : leafOfs+1];

c中的8个位由高到低分别来自于矩形A-B-C-F-I-H-G-D，因而c>>5得到的是上面ABC三个位所代表的0~7范围的一个数，根据此数将得到subset（也就是每个节点中都会存储的8个数）中的一个值，这里命名为X。1<<(c & 31)得到的是2^n，n是F-I-H-G-D共5个矩形的位，这里将2^n这个值命名为Y，可见Y的范围是1~2^31，（它想表达的就是在这5个矩形中的对比情况，因为他们是一一对应的）。最后X和Y做“按位与”运算如果是0就进入右节点，否则进入左节点。

这里的判定规则应该是有更好的诠释的，暂时还没有找到相关资料，以上仅仅是在代码中解析的一些内容。

相比其他两种，LBP的判定规则似乎有点复杂了。