知识卡片

普通读书笔记卡 · 9846.g · 生成模型:Hunyuan

Haar矩形特征及其计算

理解等级:中级

OpenCV 常用的人脸特征分 Haar 与 LBP 两类。Haar 特征把图像局部的明暗分布编码成矩形模板,分边界特征(4 种)、线性特征(8 种)和中心围绕特征(2 种)。扫描图片时以边界特征的一种为例:图片本质是数字矩阵,程序先算整个窗口的灰度总和 x,再算矩形框内的黑色区域灰度 y,然后求 x−2y,把这个值与 x 比较;若比值落在某个范围内,就认为当前扫描区域符合该边界特征,继续下一处扫描。这种设计用极少加减法就描述出眼角比脸颊暗、鼻梁比两侧亮一类的相对明暗关系,而不依赖绝对像素值,因此对整体光照变化有一定鲁棒性。特征类型越多,能刻画的局部结构越丰富,但计算量也随之上升。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第9章 人脸识别中的机器学习 · 查看原书依据

      在扫描待检测图片的时候,以边界特征中的(a)为例,由于计算机中的图片是一个数字组成的矩阵,程序先计算整个窗口中的灰度值x,再计算矩形框中的黑色灰度值y,然后计算x-2y的值,得到的数值与x进行比较,如果这个比值在某一个范围内,则表示待检测图片的当前扫描区域符合边界特征(a),然后继续扫描。

    参考来源

    - 位置:《机器学习算法原理与编程实践》第9章 人脸识别中的机器学习(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00031.html) - 结论依据:原文列出 Haar 三类特征的数量,并以边界特征为例给出先算窗口灰度 x、再算黑框灰度 y、比较 x−2y 与 x 的判定步骤,支撑对 Haar 计算方式的解释。 - 原始内容:在扫描待检测图片的时候,以边界特征中的(a)为例,由于计算机中的图片是一个数字组成的矩阵,程序先计算整个窗口中的灰度值x,再计算矩形框中的黑色灰度值y,然后计算x-2y的值,得到的数值与x进行比较,如果这个比值在某一个范围内,则表示待检测图片的当前扫描区域符合边界特征(a),然后继续扫描。