Adaboost+Haar分类器(二)
来源:互联网 发布:ipad版淘宝怎么开店 编辑:程序博客网 时间:2024/06/07 07:16
对人脸检测的研究最初可以追溯到 20 世纪 70 年代,早期的研究主要致力于模板匹配、子空间方法,变形模板匹配等。近期人脸检测的研究主要集中在基于数据驱动的学习方法,如统计模型方法,神经网络学习方法,统计知识理论和支持向量机方法,基于马尔可夫随机域的方法,以及基于肤色的人脸检测。目前在实际中应用的人脸检测方法多为基于 Adaboost 学习算法的方法。单单有Adaboost算法还不能完成人类检测,还需要用到Haar分类器。能把两者结合到一起的就是viola 人脸检测方法。
Viola人脸检测方法是一种基于积分图、 级联检测器和AdaBoost 算法的方法,方法框架可以分为以下三大部分:
现在要解释一下了, Haar-like特征最早是由Papageorgiou等应用于人脸表示,Viola和Jones在此基础上,使用3种类型4种形式的特征。
Haar特征分为三类: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白色矩形像素和减去黑色矩形像素和。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,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,所以只能描述特定走向(水平、垂直、对角)的结构。
对于图中的A, B和D这类特征,特征数值计算公式为:v=Sum白-Sum黑,而对于C来说,计算公式如下:v=Sum白-2*Sum黑;之所以将黑色区域像素和乘以2,是为了使两种矩形区域中像素数目一致。矩形特征可位于图像任意位置,大小也可以任意改变,所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、大小和位置的变化,使得很小的检测窗口含有非常多的矩形特征,如:在24*24像素大小的检测窗口内矩形特征数量可以达到16万个。这样就有两个问题需要解决了:(1)如何快速计算那么多的特征?---积分图大显神通;(2)哪些矩形特征才是对分类器分类最有效的?
http://blog.csdn.net/zouxy09/article/details/7922923这里有答案。
人脸检测的目的就是从图片中找出所有包含人脸的子窗口,将人脸的子窗口与非人脸的子窗口分开。
大致步骤如下:
人脸检测的流程
- Adaboost+Haar分类器(二)
- Adaboost+Haar分类器(一)
- Haar+Adaboost级联分类器分解(二):级联分类器结构与XML文件含义
- Adaboost分类器 haar特征
- Haar+Adaboost级联分类器分解(二…
- OpenCV中的Haar+Adaboost级联分类器分解(二):级联分类器结构与XML文件含义
- adaboost haar分类器训练1(opencv2.4.10版本)
- adaboost haar分类器训练2(opencv2.4.10版本)
- OpenCV中的Haar+Adaboost(七):分类器训练过程
- 人脸检测(Haar特征+Adaboost级联分类器)
- OpenCV中的Haar+Adaboost(七):分类器训练过程
- Adaboost分类器 haar特征 整理
- Adaboost分类器 haar特征 整理
- Haar+Adaboost级联分类器分解(一):Haar特征和积分图
- 【人脸检测】OpenCV中的Haar+Adaboost级联分类器分解(一):Haar特征介绍
- Haar分类器方法:Haar特征、积分图、 AdaBoost 、级联
- OpenCV学习记录(二):自己训练haar特征的adaboost分类器进行人脸识别
- Haar分类器 = Haar特征 + 积分图方法 + AdaBoost +级联强分类器
- Python中函数个数可变参数的传递
- 全排列
- 从IL看强制转换和is,as
- 检查nginx配置,重载配置以及重启的方法
- 配置 Mysql 允许远程连接
- Adaboost+Haar分类器(二)
- 动态规划DP持续分析(update)
- hdu_1754 I Hate It
- uva146 ID Codes
- Google C++ Mocking Framework for Dummies 翻译
- 男人八题系列
- 监控 esxi 虚拟机
- java中操作数组的常用工具类
- 从头到尾彻底解析Hash表算法