1. 全栈程序员必看首页

机器学习 之 Haar特征

全栈程序员-用户IM • • 未分类

机器学习 之 Haar特征Haar特征Haar特征原理综述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。它分为三类：边缘特征、线性特征、中心特征和对角线特征。用黑白两种矩形框组合成特征模板，在特征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。例如：脸部的一些特征能由矩形模块差值特征简单的描述，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

大家好，又见面了，我是你们的朋友全栈君。

Haar特征

Haar特征原理综述

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。它分为三类：边缘特征、线性特征、中心特征和对角线特征。用黑白两种矩形框组合成特征模板，在特征模板内用 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。例如：脸部的一些特征能由矩形模块差值特征简单的描述，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。

这里写图片描述

如上图A、B、D模块的图像Haar特征为：v=Sum白-Sum黑
C 模块的图像Haar特征为：v=Sum白(左)+Sum白(右)-2*Sum黑
这里要保证白色矩形模块中的像素与黑色矩形的模块的像素数相同，所以乘2

对于一幅图像来说，可以通过通过改变特征模板的大小和位置，可穷举出大量的特征来表示一幅图像。上图的特征模板称为“特征原型”；特征原型在图像子窗口中扩展（平移伸缩）得到的特征称为“矩形特征”；矩形特征的值称为“特征值”。例如在24*24大小的图像中可以以坐标（0，0）开始宽为20高为20矩形模版计算上图A特征，也可以以坐标（0，2）开始宽为20高为20矩形模版计算上图A特征，也可以以坐标（0，0）开始宽为22高为22矩形模版计算上图A特征，这样矩形特征值随着类别、大小和位置的变化，使得很小的一幅很小的图像含有非常多的矩形特征。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。

Haar特征计算方法

首先介绍下积分图：如下述代码所示，是opencv中存储图像积分图的结构体，可以看到有两种积分图sum积分图，titled sum积分图。sum积分图用来计算一般的垂直或水平的矩形特征，如下面的(a)、(b)、(c)、(d)。。。，而titled sum积分图用来计算倾斜45度的积分图，如下面的(1c)、(1d)、(2c)。。。

/* Prepared for training samples */
typedef struct CvHaarTrainingData
{
    CvSize winsize;     /* training image size */
    int    maxnum;      /* maximum number of samples */
    CvMat  sum;         /* sum images (each row represents image) */
    CvMat  tilted;      /* tilted sum images (each row represents image) */
    CvMat  normfactor;  /* normalization factor */
    CvMat  cls;         /* classes. 1.0 - object, 0.0 - background */
    CvMat  weights;     /* weights */

    CvMat* valcache;    /* precalculated feature values (CV_32FC1) */
    CvMat* idxcache;    /* presorted indices (CV_IDX_MAT_TYPE) */
} CvHaarTrainigData;

sum积分图主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中，当要计算某个区域的像素和时可以直接索引数组的元素，不用重新计算这个区域的像素和。例如：对一个X*Y图像它的积分图也是一个X*Y的元素为int型的积分图，对应积分图中（x,y）位置值表示就是原图像矩形框[(0,0), (x,y)]内所有像素的和。如下图所示：

这里写图片描述

用公式表示：
机器学习 之 Haar特征 其中p(i,j)表示原图在(i,j)位置像素值，f(x,y)表示积分图在(x,y)位置值

积分图能够在多种尺度下，使用相同的时间（常数时间）来计算不同的特征，因此大大提高了检测速度。如下图所示图片不位置不同大小矩形框的两个A特征，他们的计算方式分别为：
[f(x,y)+f(i,j)-f(s,t)-f(l,m)]-[f(s,t)+f(h,k)-f(i,j)-f(n,o)]
[f(X,Y])+f(I,J)-f(S,T)-f(L,M)]-[f(S,T)+f(H,K)-f(I,J)-f(N,O)]
可见两个不同大小的特征计算量却一样！！！

这里写图片描述

titled sum类积分图计算的是45°旋角的矩形特征。为了便于计算45°旋角的矩形特征，我们定义titled sum类积分图中(x,y)点值为RSAT(x,y)，它表示原始图像中(x,y)左上角45°区域和左下角45°区域的像素和。
这里写图片描述
用公式表示如下：
机器学习 之 Haar特征
对于每一点的积分图计算方法有如下递推公式 ，来节约性能，减少生重复计算：
机器学习 之 Haar特征

而计算矩阵特征的特征值，是位于十字行矩形RSAT(x,y)之差。如下图的矩形特征为：
[RSAT(m,n)-RSAT(i,j)-RSAT(k,l)+RSAT(s,t)]-[RSAT(o,p)-RSAT(m,n)-RSAT(x,y)+RSAT(k,l)]
这里写图片描述

同理，该积分图也能够在多种尺度下，使用相同的时间（常数时间）来计算不同的45度矩形特征。

Haar特征对应的opencv源码

Viola提出的haar特征：
这里写图片描述

Lienhart等牛们提出的Haar-like特征：
这里写图片描述

opencv源码中负责创建几种haar特征的是函数icvCreateIntHaarFeatures， 在进入分类器训练函数后执行该函数，它根据大小为winsize的图，计算所有HaarFeature的rect的顶点坐标来确定特征并将它存入CvIntHaarFeatures结构体数组中。后续针对不同的图像只需用这些矩形框的顶点来获得积分图在该点的值就可以计算也图像该特征的具体值了。symmetric为0时表示创建所有特征，为1时表示目标图形是垂直对称的所以只需创建所有中心在左半边部位的特征。mode==0表示Viola提出的原始矩形特征，mode==1表示所有垂直的haar特征，mode==2表示所有特征

具体每种特征的名称如下图：：
这里写图片描述

下面在源码中通过注释具体分析下代码的逻辑：：：：

/*
* icvCreateIntHaarFeatures
*
* Create internal representation of haar features
*
* mode:
*  0 - BASIC = Viola
*  1 - CORE  = All upright
*  2 - ALL   = All features
*/
static
CvIntHaarFeatures* icvCreateIntHaarFeatures( CvSize winsize,
int mode,
int symmetric )
{
CvIntHaarFeatures* features = NULL;
CvTHaarFeature haarFeature;
/*内存存储器是一个可用来存储诸如序列,轮廓,图形,子划分等动态增长数据 结构的底层结构。 它是由一系列以同等大小的内存块构成,呈列表型*/
CvMemStorage* storage = NULL;
CvSeq* seq = NULL;
CvSeqWriter writer;
int s0 = 36; /* minimum total area size of basic haar feature */
int s1 = 12; /* minimum total area size of tilted haar features 2 */
int s2 = 18; /* minimum total area size of tilted haar features 3 */
int s3 = 24; /* minimum total area size of tilted haar features 4 */
int x  = 0;
int y  = 0;
int dx = 0;
int dy = 0;
float factor = 1.0F;
factor = ((float) winsize.width) * winsize.height / (24 * 24);
#if 0 
s0 = (int) (s0 * factor);
s1 = (int) (s1 * factor);
s2 = (int) (s2 * factor);
s3 = (int) (s3 * factor);
#else
s0 = 1;
s1 = 1;
s2 = 1;
s3 = 1;
#endif
/* CV_VECTOR_CREATE( vec, CvIntHaarFeature, size, maxsize ) */
storage = cvCreateMemStorage();/*创建一个内存存储器*/
cvStartWriteSeq( 0, sizeof( CvSeq ), sizeof( haarFeature ), storage, &writer );
/*定义了writer工具每次写入数据的大小，以及写入到哪个内存存储器。 在之后调用 CV_WRITE_SEQ_ELEM( haarFeature, writer )时就可以自动将一个haarFeature类型的数据写入内存存储器中*/
for( x = 0; x < winsize.width; x++ )
{
for( y = 0; y < winsize.height; y++ )/*x，y确定了特征矩形的左上角坐标，所以这是遍历整个窗口*/
{
for( dx = 1; dx <= winsize.width; dx++ )
{
/*dx，dy确定了特征矩形的大小，所以这是遍历不矩形大小的特征*/
for( dy = 1; dy <= winsize.height; dy++ )
{
/*接下来是针对不同的模版分别计算特征*/
// haar_x2
if ( (x+dx*2 <= winsize.width) && (y+dy <= winsize.height) ) {
if (dx*2*dy < s0) continue;
if (!symmetric || (x+x+dx*2 <=winsize.width)) {
/*haar_x2::对应上述haar_x2图特征Sum黑-Sum白*/
haarFeature = cvHaarFeature( "haar_x2",
x,    y, dx*2, dy, -1,
x+dx, y, dx  , dy, +2 );
/* CV_VECTOR_PUSH( vec, CvIntHaarFeature, haarFeature, size, maxsize, step ) */
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
// haar_y2
if ( (x+dx <= winsize.width) && (y+dy*2 <= winsize.height) ) {
if (dx*2*dy < s0) continue;
if (!symmetric || (x+x+dx <= winsize.width)) {
/*haar_y2::对应上图图haar_y2特征Sum黑-Sum白*/
haarFeature = cvHaarFeature( "haar_y2",
x, y,    dx, dy*2, -1,
x, y+dy, dx, dy,   +2 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
// haar_x3
if ( (x+dx*3 <= winsize.width) && (y+dy <= winsize.height) ) {
if (dx*3*dy < s0) continue;
if (!symmetric || (x+x+dx*3 <=winsize.width)) {
/*haar_x3::对应上图图haar_x3特征，Sum黑*2-Sum白左-Sum白右*/
haarFeature = cvHaarFeature( "haar_x3",
x,    y, dx*3, dy, -1,
x+dx, y, dx,   dy, +3 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
// haar_y3
if ( (x+dx <= winsize.width) && (y+dy*3 <= winsize.height) ) {
if (dx*3*dy < s0) continue;
if (!symmetric || (x+x+dx <= winsize.width)) {
/*haar_y3::对应上图图haar_y3特征，Sum黑*2-Sum白上-Sum白下*/
haarFeature = cvHaarFeature( "haar_y3",
x, y,    dx, dy*3, -1,
x, y+dy, dx, dy,   +3 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
if( mode != 0 /*BASIC*/ ) {
// haar_x4
if ( (x+dx*4 <= winsize.width) && (y+dy <= winsize.height) ) {
if (dx*4*dy < s0) continue;
if (!symmetric || (x+x+dx*4 <=winsize.width)) {
/*haar_x4::对应上图图haar_x4特征，Sum黑-Sum白左-Sum白右*/
haarFeature = cvHaarFeature( "haar_x4",
x,    y, dx*4, dy, -1,
x+dx, y, dx*2, dy, +2 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
// haar_y4
if ( (x+dx <= winsize.width ) && (y+dy*4 <= winsize.height) ) {
if (dx*4*dy < s0) continue;
if (!symmetric || (x+x+dx   <=winsize.width)) {
/*haar_y4::对应上图图haar_y4特征，Sum黑-Sum白上-Sum白下*/
haarFeature = cvHaarFeature( "haar_y4",
x, y,    dx, dy*4, -1,
x, y+dy, dx, dy*2, +2 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
}
// x2_y2
if ( (x+dx*2 <= winsize.width) && (y+dy*2 <= winsize.height) ) {
if (dx*4*dy < s0) continue;
if (!symmetric || (x+x+dx*2 <=winsize.width)) {
/*haar_x2_y2::对应上图图haar_x2_y2特征，Sum黑左上-Sum白上右-Sum白下左+Sum黑右下*/
haarFeature = cvHaarFeature( "haar_x2_y2",
x   , y,    dx*2, dy*2, -1,
x   , y   , dx  , dy,   +2,
x+dx, y+dy, dx  , dy,   +2 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
if (mode != 0 /*BASIC*/) {                
// point
if ( (x+dx*3 <= winsize.width) && (y+dy*3 <= winsize.height) ) {
if (dx*9*dy < s0) continue;
if (!symmetric || (x+x+dx*3 <=winsize.width))  {
/*point::对应上图图point特征，Sum黑中*8-Sum白*/
haarFeature = cvHaarFeature( "haar_point",
x   , y,    dx*3, dy*3, -1,
x+dx, y+dy, dx  , dy  , +9);
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
}
if (mode == 2 /*ALL*/) {                
// tilted haar_x2                                      (x, y, w, h, b, weight)
if ( (x+2*dx <= winsize.width) && (y+2*dx+dy <= winsize.height) && (x-dy>= 0) ) {
if (dx*2*dy < s1) continue;
if (!symmetric || (x <= (winsize.width / 2) )) {
/*tilted haar_x2::对应上图图tilted haar_x2特征，在tilted积分图中求得*/
haarFeature = cvHaarFeature( "tilted_haar_x2",
x, y, dx*2, dy, -1,
x, y, dx  , dy, +2 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
// tilted haar_y2                                      (x, y, w, h, b, weight)
if ( (x+dx <= winsize.width) && (y+dx+2*dy <= winsize.height) && (x-2*dy>= 0) ) {
if (dx*2*dy < s1) continue;
if (!symmetric || (x <= (winsize.width / 2) )) {
/*tilted haar_y2::对应上图图tilted haar_y2特征，在tilted积分图中求得*/
haarFeature = cvHaarFeature( "tilted_haar_y2",
x, y, dx, 2*dy, -1,
x, y, dx,   dy, +2 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
// tilted haar_x3                                   (x, y, w, h, b, weight)
if ( (x+3*dx <= winsize.width) && (y+3*dx+dy <= winsize.height) && (x-dy>= 0) ) {
if (dx*3*dy < s2) continue;
if (!symmetric || (x <= (winsize.width / 2) )) {
/*tilted haar_x3::对应上图图tilted haar_x3特征，在tilted积分图中求得*/
haarFeature = cvHaarFeature( "tilted_haar_x3",
x,    y,    dx*3, dy, -1,
x+dx, y+dx, dx  , dy, +3 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
// tilted haar_y3                                      (x, y, w, h, b, weight)
if ( (x+dx <= winsize.width) && (y+dx+3*dy <= winsize.height) && (x-3*dy>= 0) ) {
if (dx*3*dy < s2) continue;
if (!symmetric || (x <= (winsize.width / 2) )) {
/*tilted haar_y3::对应上图图tilted haar_y3特征，在tilted积分图中求得*/
haarFeature = cvHaarFeature( "tilted_haar_y3",
x,    y,    dx, 3*dy, -1,
x-dy, y+dy, dx,   dy, +3 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
// tilted haar_x4                                   (x, y, w, h, b, weight)
if ( (x+4*dx <= winsize.width) && (y+4*dx+dy <= winsize.height) && (x-dy>= 0) ) {
if (dx*4*dy < s3) continue;
if (!symmetric || (x <= (winsize.width / 2) )) {
/*同上*/
haarFeature = cvHaarFeature( "tilted_haar_x4",
x,    y,    dx*4, dy, -1,
x+dx, y+dx, dx*2, dy, +2 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
// tilted haar_y4                                      (x, y, w, h, b, weight)
if ( (x+dx <= winsize.width) && (y+dx+4*dy <= winsize.height) && (x-4*dy>= 0) ) {
if (dx*4*dy < s3) continue;
if (!symmetric || (x <= (winsize.width / 2) )) {
/*同上*/
haarFeature = cvHaarFeature( "tilted_haar_y4",
x,    y,    dx, 4*dy, -1,
x-dy, y+dy, dx, 2*dy, +2 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
/*
// tilted point
if ( (x+dx*3 <= winsize.width - 1) && (y+dy*3 <= winsize.height - 1) && (x-3*dy>= 0)) {
if (dx*9*dy < 36) continue;
if (!symmetric || (x <= (winsize.width / 2) ))  {
/*tilted point::对应上图图tilted point特征，在tilted积分图中求得*/
haarFeature = cvHaarFeature( "tilted_haar_point",
x, y,    dx*3, dy*3, -1,
x, y+dy, dx  , dy,   +9 );
CV_WRITE_SEQ_ELEM( haarFeature, writer );
}
}
*/
}
}
}
}
}
seq = cvEndWriteSeq( &writer );
features = (CvIntHaarFeatures*) cvAlloc( sizeof( CvIntHaarFeatures ) +
( sizeof( CvTHaarFeature ) + sizeof( CvFastHaarFeature ) ) * seq->total );
features->feature = (CvTHaarFeature*) (features + 1);
features->fastfeature = (CvFastHaarFeature*) ( features->feature + seq->total );
features->count = seq->total;
features->winsize = winsize;
cvCvtSeqToArray( seq, (CvArr*) features->feature );
cvReleaseMemStorage( &storage );
/*特征的rect由坐标表示转换为由像素索引表示*/
icvConvertToFastHaarFeature( features->feature, features->fastfeature,
features->count, (winsize.width + 1) );
return features;
}
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/148563.html原文链接：https://javaforall.cn

【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛

【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

赞 (0)
全栈程序员-用户IM全栈程序员-用户IM
0 0
blank

相关推荐

  • 怎么从电脑中的cmd进入mysql_在cmd中怎么进入mysql？

    怎么从电脑中的cmd进入mysql_在cmd中怎么进入mysql？

    怎么从电脑中的cmd进入mysql_在cmd中怎么进入mysql？在cmd中进入mysql的步骤：1、按win+r打开，输入cmd，快速打开命令行界面，然后进入cmd2、启动MySQL服务使用以下命令：netstartmyql3、进入mysql数据库输入以下命令：mysql-hlocalhost-uroot-p执行上面的命令后，会提示输入密码，输入密码后回车，当显示下面的界面时表示成功链接到了mysql数据库。3、输入”showdatabases”回…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年5月7日
  • 各类手机开发平台介绍(转载)[通俗易懂]

    各类手机开发平台介绍(转载)[通俗易懂]

    各类手机开发平台介绍(转载)[通俗易懂]近来无事，把手机开发平台的学习指南、教程和资料总结一下，方便大家参考。手机客户端软件开发最大的困难就是平台不统一，手机开发平台太多。手机可分为智能手机开发和featherphone手机。开发平台可分为开放式平台和封闭式平台，开放式平台包括symbian、windowsmobile、linux、iPhone、Android、BlackBerry、j2me、brew等，支持手机应用程序通过OT…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年8月12日
  • sql： 分组后按照分组规则拼接字符串 — group by与 group_concat()

    sql： 分组后按照分组规则拼接字符串 — group by与 group_concat()

    sql： 分组后按照分组规则拼接字符串 — group by与 group_concat()Markdown编辑器写博客小技巧本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦：Markdown和扩展Markdown简洁的语法代码块高亮图片链接和图片上传LaTex数学公式UML序列图和流程图离线写博客导入导出Markdown文件丰富的快捷键快捷键加粗Ctrl+B斜体Ctrl+I引…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年5月23日
  • 锐龙cpu天梯图_cpu性能天梯排行图最新

    锐龙cpu天梯图_cpu性能天梯排行图最新

    锐龙cpu天梯图_cpu性能天梯排行图最新近段时间，桌面CPU平台有了比较大的变化，AMD今年的Ryzen全面迎来逆袭，此外还拿出了最高16核的RyzenThreadripper顶级处理器。而为应对AMDRyzen的崛起，Intel近日也正式推出了八代CannonLake(10/14nm)，不再挤牙膏，全线都带来了多核升级，性能激增，因而备受关注。而“电脑百事”此次CPU天梯图2017年9月版主要是在8月版的基础上，率先加入Inte…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年9月17日
  • JTAG接口定义与其他简介

    JTAG接口定义与其他简介

    JTAG接口定义与其他简介JTAG接口定义与其他简介JTAG（JointTestActionGroup）是一个接口，为了这个接口成立了一个小组叫JTAG小组，它成立于1985年，比推丸菌的年龄还大。在1990年IEEE觉得一切妥当，于是发布了IEEEStandard1149.1-1990，并命名为StandardTestAccessPortandBoundary-ScanArchitecture…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年6月10日
  • 三菱fx3u步进梯形图程序实例_三菱步进梯形图

    三菱fx3u步进梯形图程序实例_三菱步进梯形图

    三菱fx3u步进梯形图程序实例_三菱步进梯形图三菱FX2NPLC步进指令与步进梯形图顺序流程的SFC表示选择流程的SFC表示选择性分支选择性汇合并行流程的SFC表示并行性分支并行性汇合小结顺序流程的SFC表示选择流程的SFC表示选择性分支选择性汇合并行流程的SFC表示并行性分支并行性汇合小结实际上在这里，选择性可以看做是传统电路上的并联（满足条件），而并行性就可以看做是传统电路上的串联（必须全部满足）…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年9月10日

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号