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。