Rapid Object Detection using a Boosted Cascade of Simple Features

haar特征

图1给出了部分haar特征，其中A和B是边缘特征，C是线特征，D是对角线特征，每个haar特征就是一个模板，模板内包括黑色区域和白色区域。例如，如果想检测图像中的边缘，则用代表边缘的haar特征模板对图像进行扫描，分别计算模板所覆盖的白色区域和黑色区域内的所有像素灰度值之和，然后两者相减，这个差值就是模板在该位置上的特征值。

积分图像

公式1中积分图像ii(x,y)的大小尺寸与原图像i(x,y)的大小尺寸相等，而积分图像在(x,y)处的值等于原图像中横坐标小于等于x，并且纵坐标也小于等于y的所有像素灰度值之和。 利用积分图像可以计算原图像中任意矩形内的像素灰度值之和。如图3所示，积分图像在点1的值是在矩形A中像素的和,在点2的值是矩形A中像素和加上矩形B中像素和,在点3的值是矩形A中像素和加上矩形C中像素和,在点4的值是矩形A+B+C+D。矩形D中像素的和可以按照4+1-2-3来计算。

adaboost

步骤1

步骤2

步骤3


步骤4

级联分类器

级联分类器的识别率（能够正确识别物体的程度）和误检率（把非待识别物体当成识别物体的程度）分别是每一级强分类器的识别率和误检率的乘积，因此只要保证每级强分类器具有接近100%的识别率，最终级联分类器的识别率也会很高，而级联分类器的误检率却可以达到极低的水平。

创新点

将下面3种方法首次集成，用于人脸识别中：
（1）应用HAAR特征，并采用积分图像的方法计算该特征值。
（2）应用Adaboost算法选择适用于人脸的HAAR特征。
（3）把各类Adaboost算法得到的强分类器级联起来，得到最终的级联分类器。