13 目标检测之Haar特征分类器

查看大图

OpenCV 学习要把图像输入、处理步骤、检测结果和工程性能放在一起验证。阅读时可以按「什么是Haar特征分类器？ -> Haar特征的种类 -> Haar特征提取与分类器训练 -> OpenCV中的Haar特征分类器用法」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「什么是Haar特征分类器？」，再查「Haar特征的种类」。

在上篇中，我们讨论了目标检测的概况，了解了目标检测的应用背景、常用方法以及当前技术的发展方向。本篇文章将深入探讨“Haar特征分类器”，它是一种经典的目标检测技术，广泛应用于人脸检测等场景。

什么是Haar特征分类器？

Haar特征分类器利用Haar特征来进行物体检测。Haar特征是由若干矩形区域的强度差形成的特征，它们能够有效捕捉图像中不同位置的纹理和亮度变化。这些特征在图像中提取出局部信息，可以用来区分目标和背景。

查看大图

学习 Haar 特征分类器时，先看矩形特征、积分图、级联分类器、滑动窗口和误检漏检。

Haar特征的种类

Haar特征可以分为以下几类：

1. 边缘特征：通过比较两个相邻矩形区域的亮度差来表征边缘。
2. 线段特征：通过两个相邻矩形条带的强度差来检测线条。
3. 中心对称特征：比较中心区域和外部区域的亮度，以寻找中心对称的形状。

每个Haar特征都是通过局部像素的加权和计算得出的，公式可以表示为：

$$F(x,y,w,h) = \sum_{(x',y') \in R_1} I(x',y') - \sum_{(x',y') \in R_2} I(x',y')$$

其中，$R_1$和$R_2$是两个矩形区域，$I(x',y')$是图像在点$(x',y')$的像素值。

Haar特征提取与分类器训练

在Haar特征分类器中，首先需要提取许多Haar特征，然后利用这些特征训练分类器。这通常通过AdaBoost算法来完成，该算法可以选择最优特征并训练强分类器。

OpenCV中的Haar特征分类器用法

OpenCV提供了一整套工具来使用Haar特征进行目标检测。以下是一个简单的步骤，展示如何使用OpenCV加载预训练的Haar分类器并检测图像中的目标（如人脸）：

查看大图

看《目标检测之Haar特征分类器》时，先把图中的问题、关键词、操作和验收标准对上，再读正文会更省力。读完后，最好能用自己的项目重新讲一遍。

步骤1：加载Haar特征分类器

OpenCV自带了若干个训练好的Haar特征分类器，例如用于人脸检测的haarcascade_frontalface_default.xml。我们可以通过以下代码加载它：

import cv2

# 加载Haar特征分类器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

步骤2：读取图像并进行人脸检测

接下来，我们可以读取一张图像，并在图像中检测人脸：

# 读取图像
image = cv2.imread('path_to_image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 检测人脸
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5)

# 在图像上绘制矩形框
for (x, y, w, h) in faces:
    cv2.rectangle(image, (x, y), (x + w, y + h), (255, 0, 0), 2)

# 显示结果
cv2.imshow('Detected Faces', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数解释

• scaleFactor：在搜索过程中，每次图像尺寸缩小的比例，通常设置为1.1。
• minNeighbors：检测目标的每个矩形框的最小邻居数。增加该值会减少误检。

实际案例

假设我们想要检测一组图像中的人脸，可以将上述代码封装在一个循环中，批量处理多张图片：

import os

image_folder = 'path_to_image_folder'

for filename in os.listdir(image_folder):
    if filename.endswith('.jpg'):
        img_path = os.path.join(image_folder, filename)
        image = cv2.imread(img_path)
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

        faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5)

        for (x, y, w, h) in faces:
            cv2.rectangle(image, (x, y), (x + w, y + h), (255, 0, 0), 2)

        cv2.imshow('Detected Faces', image)
        cv2.waitKey(0)

cv2.destroyAllWindows()

通过以上流程，我们可以快速实现对多张图像的人脸检测。

查看大图

复习《目标检测之Haar特征分类器》时，建议把关键概念、操作步骤和可见结果放在同一页里回看。

查看大图

练习《目标检测之Haar特征分类器》时，建议把输入条件、处理动作和可见结果写在一起，方便下次复查。

总结

Haar特征分类器是目标检测领域里一种经典且有效的方法。利用OpenCV，我们不仅可以方便地加载和使用预训练分类器，还可以灵活地应用于各种图像处理任务。通过Haar特征分类器的学习，我们也为后续的HOG特征与SVM方法奠定了基础，在下一篇文章中，我们将更深入地探讨这一主题。

希望本篇对你了解Haar特征分类器有所帮助，接下来我们将进入“目标检测之HOG特征与SVM”的讨论。