【特征检测】Harr-like特征算法

转自：http://blog.csdn.net/hujingshuang/article/details/47419505

简介：

对于Harr特征以及Adaboost的讲解，网上有很多分析，在此记录一些较好的博客。

较好的文章：

两篇原文：

1、Rapid Object Detection using a Boosted Cascade of Simple Features

2、An Extended Set of Haar-like Features for Rapid Object Detection

维基百科：

Viola–Jones object detection framework

小魏的修行路：

1、【OpenCV】基于Adaboost和Haar-like特征人脸识别

2、【图像处理】计算Haar特征个数

3、【图像处理】利用积分图像法快速计算Haar特征

zouxy09的博客：

目标检测的图像特征提取之（三）Haar特征

liuliu603的博客：

Haar特征与积分图

当然对于24x24子窗口内，harr特征个数的计算到底是180K左右还是160K左右，依然是有争论：

Viola-Jones' face detection claims 180k features

Harr特征：

        下面就Harr特征也来说说我的理解，以人脸检测为例，如有失误的地方，还请多多指教。此处不去介绍积分图像、Adaboost级联分类器，Harr特征个数（我也没去推导）的计算等等。

        对于一副待检测图像，目的是要将图中的人脸标记出来。由于拍摄者的距离远近不同或者相机对焦等设置，会导致图像中人脸分辨率大小不一致，想要准确的检测图像中所有的人脸，则需要从不同的尺度、不同的位置来检测，也就是多尺度法。

多尺度法：即待检测图像的大小保持不变，逐层等比放大检测窗口，利用这些不同大小的窗口来扫描检测整幅图像。下面做详细说明。

        在图像中，子窗口取24x24大小，计算当前子窗口内的Harr特征向量，特征向量就是当前子窗口的表征，把这个向量送到已经训练好了的分类器中，判定其是否为人脸。若是，则标记一下；若不是，则子窗口滑动到下24x24的位置。重复上述特征计算，一直到整幅图像24x24的子窗口从左到右、从上到下都扫描完了，也就结束了当前层（尺度）的检测。

Harr特征也称矩形特征，最初的就是下面的几种：

看了上面列出的博客，大概都知道如何利用积分图像计算Harr特征。后来演变为下面的几种：

不管矩形特征怎么变，计算方法都是一样的，只是表征子窗口的特征向量的维度发生了改变。

以第一幅图中的A、B、C、D为例，有2个两矩形的，2个三矩形的，1个四矩形的组成，再详细点就是下图：

        在上图中，a是2x1大小，在24x24的子窗口中滑动，每滑动一次会有一个值，则可产生23x24个值，也就是Harr特征值；同理b、c、d、e的都可以产生若干个Harr特征值，将它们组成一个向量，这就是Harr特征向量。在图像中扫描式的取子窗口，计算特征向量，判别是否是人脸，记录下当人脸的窗口，当然这只是进行了一层（一种尺度）的检测。

在一幅图像中，有的人脸可能小，有的可能很大，24x24的窗口可能检测不到，出现漏检的情况。如下图所示。

        这个时候就需要将窗口进行适当的放大了，形成一个较大的窗口，也就是另一种尺度（另一层）。放大因子取1.25效果较好，每一尺度都是上一尺度的1.25倍大小，尺度（层）的大小不能超过原始图像的大小。

       当然，子窗口进行了等比例的放大，那么矩形特征（a、b、c、d、e）也要进行一定比例的放大。然后计算Harr特征向量，再判别记录。

       如此循环计算，直到子窗口大小达到不超过原始图像的最大尺寸。然后，再将所有记录过的人脸的进行标记，由于人脸区域在不同尺度的窗口中可能会有重复检测到，所以需要将重叠检测到的人脸区域合并起来成为一个区域并标记。

       综上所述，就是Harr特征算法了，感觉有点像HOG特征算法，都是窗口内有东西在滑动计算，而窗口本身也是滑动的，只是Harr的窗口大小还在改变。