3358 www.Sina.com/http://www.Sina.com/http://www.Sina.com /
Haar特征可以理解为卷积模板(当然不完全，如prewitt、sobel算子)，Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，并组合到特征模板中。 特征模板内有白色和黑色两种矩形，定义该模板的特征值是白色矩形像素和黑色矩形像素的和。 Haar特性值反映了图像的灰度变化。 例如，一些脸部特征可以从矩形特征来简单说明，比如眼睛比脸颊颜色深，鼻梁两侧比鼻梁颜色深，嘴巴比周围颜色深。 但矩形特征只对边缘和线段等简单图形结构敏感，只能描述特定方向(水平、垂直、对角)的结构，Haar特征多用于人脸检测和行人检测。
1.
通过改变特征模板的尺寸和位置，可以在图像子窗口中穷举大量的特征。 将特征模板扩展(平移伸缩)到图像子窗口而得到的特征称为“矩形特征”。 矩形特征的值称为“特征值”。 矩形特征位于图像的任意位置，大小也能够任意变化，因此矩形特征值是矩形模板类别、矩形位置、矩形尺寸这3个要素的函数。 因此，由于类别、大小和位置的变化，小的检测窗口中可能包含很多矩形特征，例如，在24*24像素尺寸的检测窗口中，矩形特征的数目可达到16万个。
http://www.Sina.com/http://www.Sina.com /
一开始我以为积分图很高级，其实很简单。 关于灰度图像I，其积分图也是与I相同尺寸的图表，但稍微听说过该图表上的任意一点(x、y )的值是由灰度图像I的左上角和当前点包围的召开区域内的所有像素点的灰度值之和与图像直方图和图像累积直方图的关系类似，但这里只是二维图像。
一旦扫描图像到达图像右下方的像素，就完成了积分图像。 积分图构建后，图像中任意矩阵区域的像素求和通过简单运算如图2所示获得。 Haar-like特征值只是两个矩阵的像素和之差，同样可以在一定时间内完成。 因此，矩形特征的模态计算只与该特征矩形的端点的积分图有关，所以无论该特征矩形的尺度变换如何，模态计算所需的时间都是一定的。 由此，只要扫描一次图像，就能够求出所有子窗口的特征量。