简单矩阵积分图分弱类器.docVIP

1 矩形特征与积分图 1.1 引言 AdaBoost人脸检测训练算法速度很重要的两方面，特征的选取和特征值的计算。将矩形作为人脸检测的特征向量，称为矩形特征。该算法选取了最简单的5个矩形特征模板进行训练，这种特征选取方法的训练速度虽然不快，但是检测效率很高。Viola 提出将积分图(integral image)应用到特征值的计算之中。积分图的引用，可以只对图像进行一次遍历计算，就能够在用常量时间完成每个特征值的计算，这使得训练和检测的速度大大提升。 1.2 矩形特征 Rectangle Feature 1.2.1 概述 在给定有限的数据情况下，基于特征的检测能够编码特定区域的状态，而且基于特征的系统比基于象素的系统要快得多。矩形特征对一些简单的图形结构，比如边缘、线段比较敏感，但是其只能描述特定走向（水平、垂直、对角）的结构，因此比较粗略。如图9，脸部一些特征能够由矩形特征简单地描绘，例如，通常，眼睛要比脸颊颜色更深；鼻梁两侧要比鼻梁颜色要深；嘴巴要比周围颜色更深。对于一个 24×24 检测器，其内的矩形特征数量超过160,000 个，必须通过特定算法甄选合适的矩形特征，并将其组合成强分类器才能检测人脸。 图 9 矩形特征在人脸上的特征匹配。上行是24×24 子窗口内 选出的矩形特征，下行是子窗口检测到的与矩形特征的匹配。 1.2.2 特征模版 使用简单矩形组合作为特征模板。这类特征模板都是由两个或多个全等的矩形相邻组合而成，特征模板内有白色和黑色两种矩形，并将此特征模板的特征值定义为白色形像素和减去黑色矩形像素和。 最简单的 5 个特征模板： 1.2.3 检测器内特征总数 特征模板可以在子窗口内以“任意”尺寸“任意”放置，每一种形态称为一个特征。找出子窗口所有特征，是进行弱分类训练的基础。 1.2.3.1 子窗口内的条件矩形 图 10 计算m*m检测器内所有可能的矩形的数量 以 m×m 像素分辨率的检测器为例，其内部存在的满足特定条件的所有矩形的总数可以这样计算： 对于 m×m 子窗口，我们只需要确定了矩形左上顶点 和右下顶点 ，即可以确定一个矩形；如果这个矩形还必须满足下面两个条件（称为(s, t)条件，满足(s, t)条件的矩形称为条件矩形）： 1) x 方向边长必须能被自然数s 整除（能均等分成s 段）； 2) y 方向边长必须能被自然数t 整除（能均等分成t 段）； 则 ， 这个矩形的最小尺寸为s×t 或t×s， 最大尺寸为[m/s]·s×[m/t]·t或[m/t]·t×[m/s]·s；其中[ ]为取整运算符。 1.2.3.2 条件矩形的数量 我们通过下面两步就可以定位一个满足条件的矩形： 1)确定： ； 2)确定 A 点后，B 点只能在图10中阴影内（包括边缘）取值，因此有： 由上分析可知，在m×m 子窗口中，满足(s, t)条件的所有矩形的数量为： 1.2.3.3 子窗口的特征矩形数量 实际上，(s, t)条件描述了矩形特征的特征，下面列出了不同矩形特征对应的 (s, t)条件： 所以 m×m 子窗口中所有 5 种特征模板的特征总数量，就是分别满足 5 个(s,t)条件的矩形特征的数量的总和，即： 1.2.3.4 结果 下面以 24×24 子窗口为例，具体计算其特征总数量： 下面列出了，在不同子窗口大小内，特征的总数量： 1.3 积分图 Integral Image 1.3.1 概念 图 11 “积分图”与积分的类比 只需要对每个像素进行少量的计算工作，就能得到一幅图像的“积分图”。“积分图”能够在多种尺度下，使用相同的时间来计算不同的特征，因此大大提高了检测速度。 对于图像内一点 A( x, y)，定义其积分图ii(x,y)为（如图 12）： 其中i(x, y)为点( x, y )处的“原始图”，是此点的颜色值；对于灰度图象，其值为0~255。对于彩色图像，可以先按照人脸色彩空间将其转化为灰度取值。 其中s(x, y)为点( x, y)及其 y 方向向上所有原始图像之和（如图 12），称为“列积分和”，可以定义为： 并定义s( x,0) = 0，ii (0, y) = 0 图 12 坐标 A(x,y) 的积分图定义为其左上角矩形所有像素 之和（图中阴影部分）。s(x,y)为 A(x,y)及其y方向向上所 有像素之和（图中粗黑竖线） 首先将每个像素点的值遍历一次，设图像大小为m′ n，则得到的积分图矩阵（图像上所有像素的积分图）为： 可见，只需要遍历图像一次，迭代m*n*2次，即可以得到整个积分图矩阵。 1.3.2 利用积分图计算矩形特征值 1.3.2.1 图像区域的积分图计算 如图1