《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