Face Detection
Harr-like Features
乘热打铁,我们上文讲到了边框识别,那边框识别的原理又是什么呢?
根据论文中提到的一个“特征”给了我们 答案
而这个“特征”的含义就是比较白色区域与灰色区域的像素点之和(difference between the sum of piexls within the rectangular areas)如果他们的和的差(defference between the sum)超过某个特定值(阀值threshold),我们判定某一个区域属于白色,另外一个区域欧属于灰色。像素点的取值范围一般为[0,1],0代表纯白,1代表纯灰色。
但一般地,由于数组的数据过大,我们的特定值会随之放大,因而我们最终采用的是平均值(average value)。又因为不存在绝对的白或者黑,所以经过作者研究0.3较为合适。
如下图所示,我们在人物的脸上放上一个"Horr-like Feature"的一个区域(实际上该Horr-like Feature 应该放在边框中的,为了方便解释则放在人脸上),假这个区域实际上确实能识别出“Horr-like Feature”,原因是嘴唇的像素点相较于嘴巴来说要更小,并且超过了某个数值。则我们可以判定这个地方的确存在一个符合“Horr-like Feature”的区域(计算机是不知道这个是个嘴巴还是个眼睛,它只根据像素点说话)
同时我们可以根据这一个特征,构建多个“Horr-like Feature”区域。
具体来说我们有如下图的分析,将图片放大,我们得到了两组“像素点”,然后我们计算他们的和(sum),并求得他们的平均值(average value)
左边区域的平均值为:0.166
右边区域的平均值为:0.568
之间的差值为:0.402 > 0.3 (此时说明了的确存在像素点差异较大,区域可判断为“黑白”)
接下来,会介绍如何优化该算法,以及怎么计算像素点的和差。
声明:本站所有资源均由网友分享,如有侵权内容,请在文章下方留言,本站会立即处理。