基于Haar特征的人臉檢測

1、2013 / 3 / 25數(shù)據(jù)挖掘之基于Haar特征提取的人臉檢測主主 要要 內(nèi)內(nèi) 容容相關(guān)概念介紹人臉檢測的步驟核心代碼人臉檢測前后對照圖效果演示 相關(guān)概念介紹 AdaBoost人臉檢測訓練算法速度很重要的兩方面是特征選取和特征計算。選取的特征為矩特征-Haar特征，計算的方法為積分圖。 下面就簡要介紹Haar特征以及積分圖的相關(guān)概念。Haar特征 Haar特征分為三類：邊緣特征、線性特征、中心特征和對角線特征，組合成特征模板。特征模板內(nèi)有白色和黑色兩種矩形，并定義該模板的特征值為白色矩形像素和減去黑色矩形像素和。在確定了特征形式后 Harr- like特征的數(shù)量就取決于訓練樣本圖像矩陣的大

2、小，特征模板在子窗口內(nèi)任意放置，一種形態(tài)稱為一種特征，找出所有子窗口的特征是進行弱分類訓練的基礎(chǔ)。積分積分圖圖 積分積分圖圖(Integral Image)主要的思想主要的思想是將圖像從起點開始到各個點所形成的是將圖像從起點開始到各個點所形成的矩形區(qū)域像素之和作為一個數(shù)組的元素矩形區(qū)域像素之和作為一個數(shù)組的元素保存在內(nèi)存中，當要計算某個區(qū)域的像保存在內(nèi)存中，當要計算某個區(qū)域的像素和時可以直接索引數(shù)素和時可以直接索引數(shù) 組的元素，不組的元素，不用重新計算這個區(qū)域的像素和，從而加用重新計算這個區(qū)域的像素和，從而加快了計算。快了計算。“積分圖積分圖能夠在多種尺度能夠在多種尺度下，使用相同的時間來計算

3、不同的特征，下，使用相同的時間來計算不同的特征，因此大大提高了檢測速度。因此大大提高了檢測速度。 (2)目前 的方法是使用數(shù)千張切割好的人臉圖片，和上萬張背景圖片作為訓練樣本。訓練圖片一般歸一化到 20*20 的大小。在這樣大小的圖片中，可供使用的 haar 特征數(shù)在 1 萬個左右，然后通過機器學習算法 adaboost 算法挑選數(shù)千個有效的 haar 特征來組成人臉檢測器。(3)學習算法訓練出一個人臉檢測器后，便可以在各個場合使用了。使用時，將圖像按比例依次縮放，然后在縮放后的圖片的 20*20 的子窗口依次判別是人臉還是非人臉。人臉檢測的流程 人臉檢測在實際中主要用于人臉識別的預處理，即在

4、圖像中準確標定出人臉的位置和大小。 目前人臉檢測技術(shù)在門禁系統(tǒng)、智能監(jiān)控系統(tǒng)中已得到了很好的應用。另外，目前的筆記本電腦中也陸續(xù)開始使用人臉識別技術(shù)作為計算機登錄的憑證。近年來，在數(shù)碼相機和手機中也集成了人臉檢測算法，作為一個新的功能提供用戶使用。在這些應用中，人臉檢測都是發(fā)揮著至關(guān)重要的作用核心代碼void detect_and_draw(IplImage *img)static CvScalar colors=0, 0, 255,0, 128, 255,0, 255, 255,0, 255, 0,255, 128, 0,255, 255, 0,255, 0, 0,255, 0, 255;d

5、ouble scale=1.3;IplImage * gray=cvCreateImage(cvSize(img-width, img-height),8, 1);IplImage * small_img=cvCreateImage(cvSize(cvRound(img-width/scale),cvRound(img-height/scale),8, 1);int i;cvCvtColor(img, gray, CV_BGR2GRAY);cvResize(gray, small_img, CV_INTER_LINEAR);cvEqualizeHist(small_img, small_img

6、);cvClearMemStorage(storage);if(cascade)double t=(double)cvGetTickCount();CvSeq * faces=cvHaarDetectObjects(small_img, cascade, storage,1.1, 2, 0/*CV_HAAR_DO_CANNY_PRUNING*/, cvSize(30, 30);t=(double) cvGetTickCount()-t;printf(detcetion time=%gmsn, t/(double)cvGetTickFrequency()*1000.);for(i=0;itota

7、l:0);i+)CvRect* r=(CvRect*)cvGetSeqElem(faces, i);CvPoint center;int radius;center.x=cvRound(r-x+r-width*0.5)*scale);center.y=cvRound(r-y+r-height*0.5)*scale);radius=cvRound(r-width+r-height)*0.25*scale);cvCircle(img, center, radius, colorsi%8, 3, 8, 0);cvShowImage(result,img);cvReleaseImage(&gray);cvReleaseImage(&small_img);。 進行數(shù)據(jù)挖掘常用技術(shù)算法進行數(shù)據(jù)挖掘常用技術(shù)算法l人工神經(jīng)網(wǎng)絡為解決大復雜度問題提供了一種相對來說比較有效的簡單方法。神經(jīng)網(wǎng)絡可以很容易的解決具有上百個參數(shù)的問題。l決策樹決策樹提供了一種展示類似在什么條件下會得到什么值這類規(guī)則的方法支持向量機方法 。