《Python人脸识别:从入门到工程实践》 ——3.6.3 Haar特征
3.6.3 Haar特征
Haar特征即Haar-like特征,又称Viola-Jones识别器,这是因为该特征提取算法是由当时在微软研究院工作的Viola与三菱电子实验室的Jones在2001年到2004年逐步改进并完善的。该算法最终被经典论文《Robust Real-Time Face Detection》比较完整地阐述,Haar特征常常被用在人脸检测中,该论文也主要针对的是人脸检测场景。
Haar特征的提取过程比较简单,通过不同模板来对图片进行特征提取,最后筛选出比较具有代表性的特征再使用强分类器进行分类。图3-15是Haar特征在提取时采用的若干模板。
图3-15 Haar特征采用的特征模板
根据特征模板计算特征值的过程也比较简单。我们可以看到,模板中有黑色和白色两个区域,将模板中黑***域与白***域内像素点的灰度值之和作差作为该模板提取到的特征。
在图像中不同区域使用模板进行特征提取,这样就会提取到很多数据,不过,这个计算量也是十分巨大的。因为,即便图像的尺寸很小,但是模板的数量有很多,模板在图片中不同区域分别进行扫描,这样扫描到的次数就会很多,由此会导致使用模板对图片进行特征提取时的计算量很大。例如,有人统计过,24×24像素尺寸的图片,检测窗口内矩形特征数量可达到16万之多。低像素图片尚且如此,高像素图片的特征提取过程将更加复杂,数量也会更多。因此,有人提出了积分图法用以解决特征提取过程中计算量过大的问题,该算法的原理与动态规划的原理是类似的。
如图3-16所示演示了采用Haar特征对人脸图片进行特征提取的过程。
图3-16 采用Haar特征提取图片特征的过程演示
- 点赞
- 收藏
- 关注作者
评论(0)