Haar-Like特征,Haar-Like feature,音标,读音,翻译,英文例句,英语词典
说明：双击或选中下面任意单词，将显示该词的音标、读音、翻译等；选中中文或多个词，将显示翻译。
您的位置： ->
-> Haar-Like特征
1)&&Haar-Like feature
Haar-Like特征
On the basis of the Haar-Like feature,AdaBoost algorithm was adopted to produce the strong classifier for face detection.
采用AdaBoost算法对人脸图像的Haar-Like特征进行统计学习,生成用于人脸检测的强分类器。
Dr Viola puts forward a fast face detection algorithm based on Haar-like features,which is promising.
美国的Voila博士提出的基于Haar-like特征的人脸检测算法是一种具有巨大发展潜力的新算法,快速而准确。
Haar-like features are used in this application,and Gentle AdaBoost algorithm is chosen to train the strong classifiers wich form the tree structure vehicle classifier.
该方法采用Haar-like特征来表达车辆特征,选择Gentle AdaBoost算法训练出强分类器,最后将多个强分类器组合成树形结构。
2)&&haar-like features
haar-like型特征
In the stage of off-line training,considering the vivid contour,the concave and convex of the ear,we apply the extended haar-like features to construct the space of the weak classifiers using the nearest neig.
在离线训练阶段,首先结合人耳轮廓清晰,凹凸有致的特点,采用扩充后的haar-like型特征,依最近邻法则构造出弱分类器空间,然后根据经验选择GAB算法训练出强分类器,最后将多个强分类器级联成多层人耳检测器。
3)&&Haar-like feature extract
Haar-like特征提取
4)&&Haar-like rectangular feature
Haar-like矩形特征
Based on previous research,the structures of Haar-like rectangular features and integral image that can be used to compute the value of features rapidly are analyzed.
本文研究及实现了一种基于Haar-like矩形特征的实时道路车辆识别方法,即如何快速且准确地从复杂背景的图像或视频中识别出目标车辆的问题。
5)&&Haar-like feature
类Haar特征
Based on the Viola-Jones fast object detection algorithm, the nature and the construction of Haar-like features are researched.
在Viola-Jones快速目标检测算法的基础上,侧重研究了类Haar特征原型的本质与提取,提出了类灰度图的概念,并以快速人脸检测为例,从类灰度图提取广义类Haar特征,从本质上拓展了类Haar特征的类型。
Policy that calculates in advance the partitioning of Haar-like feature weak classifiers in sample input space and updating training face samples’ weights dynamically is adopted.
该算法采用预先计算类Haar特征所对应弱分类器在样本空间的划分,并动态更新人脸训练样本的权值。
Haar-like features describing the differences of gray level, gradient and skin color of face pattern are used to construct the feature set for face detection.
提出一种综合使用灰度、梯度和肤色信息的实时人脸检测方法,使用类Haar特征描述人脸模式的灰度差、梯度差和肤色差,构造相应的特征集。
6)&&Haar-like feature
Haar型特征
First part of the system adopted extended Haar-like features combined with AdaBoost algorithm,which made performance of classifying better than using original Haar-like features.
系统第一部分采用扩展的Haar型特征并结合自举算法,使其分类性能要优于原始的Haar型特征。
补充资料：偏微分算子的特征值与特征函数
&&&&　　由边界固定的膜振动引出的拉普拉斯算子的特征值问题：是一个典型的偏微分算子的特征值问题,这里x=(x1,x2)；Ω是膜所占据的平面区域。使得问题有非平凡解（非零解）的参数&的值,称为特征值；相应的解称为特征函数。当Ω有界且边界嬠Ω满足一定的正则条件时,存在可数无穷个特征值,相应的特征函数ψn(x)组成l2(Ω)上的完备正交系。乘以常因子来规范ψn(x)，使其l2(Ω)模为1,则Ω上的任意函数??(x)的特征展式可写为：当??可以"源形表达"，即??满足边界条件且Δ??平方可积时,展式在Ω一致收敛。当??平方可积时，展式平方平均收敛，且有帕舍伐尔公式：　　　　　　对膜振动问题的认识还是相当有限的。能够精确地知道特征值的，只限于矩形、圆盘等少数几种非常简单的区域。对椭圆和一般三角形的特征值精确值，还几乎毫无所知。其他情形就更谈不上了。　　　　将不超过 &的特征值的个数记为N(&)。特征值的渐近分布由N(&)对大 &的渐近式来刻画。这方面最早的结果是（C.H.）H.外尔在1911年得到的（外尔公式）：　　式中表示Ω的面积。R.库朗将余项改进为。对于多角形区域，又有人将余项改进到。各种情况下改进余项估计的工作至今绵延不绝。外尔猜测有一个更强的结果：式中｜嬠Ω｜是区域边界之长，但尚未被证出。　　　　与此密切相关的是下面的MP公式：(t→+0)　　取一个渐近项时，用陶伯型定理可由它推出N(&)的外尔公式。第二渐近项与外尔猜想非常相象，但由此证不出外尔猜想。第三项迟至1966年才被M.卡茨导出，后来由H.P.麦基恩与I.M.辛格严格证明,其中h表示鼓膜Ω的洞数。　　　　特征值与膜振动频率有一个直接的换算关系，M.卡茨据此给MP公式一个非常生动的解释：可以"听出"鼓膜的面积|Ω|、周长｜嬠Ω｜和洞的个数h！由于1-h恰巧是Ω的欧拉-庞加莱示性数,是整体几何中颇受重视的一个不变量，"听出鼓形"或"谱的几何"问题立即引起人们的强烈兴趣，并导致一系列重要的研究。不过一般的特征值反问题,要求从特征值的谱完全恢复Ω,还远远没有解决。　　　　用陶伯型定理得出N(&)渐近式的方法，由T.卡莱曼于1934年首创，他还得到谱函数的渐近式：(&→∞)，式中δxy当x=y时为1，当x≠y时为0。　　　　上述关于拉普拉斯算子的结果，由L.戈尔丁和F.E.布劳德推广到 Rn的有界区域Ω上的m 阶椭圆算子。尽管推算繁杂，但结果十分简单整齐：；；式中 v(x) 表示集合{ξ｜｜A0(x,ξ)｜<1}的勒贝格测度，而是A的最高阶导数项相应的特征形式。特征展开定理亦由L.戈尔丁得出。　　　　对于奇异情形，例如薛定谔方程 的谱问题,可以证明存在谱函数S(x，y，&),特征展式为。由于可能出现连续谱，S(x，y，&)一般不一定能写成前述特征函数双线和的形式。判定奇（异）微分算子谱的离散性是很有意义的工作。已经出现各种充分条件。不过关于特征值与特征函数渐近性质的研究，还只是限于少数特例。　　　　在处理‖x‖→∞ 时V(x)→∞的情形，M.卡茨与D.雷等人曾创造了一种系统的概率方法，其中借助数学期望表出格林函数，有效地求出谱函数与特征值的渐近式： 　　。　　　　当算子A的系数不光滑,或非一致椭圆，或非自共轭，以及边条件带特征参数或带非定域项等等情形，都出现不少研究结果。还有人考察Au=&Bu型的特征值问题,这里A、B都是椭圆算子。　　　　除上述问题外，特征展式的收敛性与求和法也一直受到人们的关注。　　
说明：补充资料仅用于学习参考，请勿用于其它任何用途。您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
基于Android平台人脸识别技术研究.pdf68页
本文档一共被下载：
次 ,您可免费全文在线阅读后下载本文档
文档加载中...广告还剩秒
需要金币：200 &&
你可能关注的文档：
··········
··········
独创性声明
本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得
的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中
不包含其他人已经发表或撰写过的研究成果，也不包含为获得西南科技大
学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对
本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。
签．名：髟傅
日期：硼弓哿川日
关于论文使用和授权的说明
本人完全了解西南科技大学有关保留、使用学位论文的规定，即：学
校有权保留学位论文的复印件，允许该论文被查阅和借阅；学校可以公布
该论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论
保密的学位论文在解密后应遵守此规定
签名：钐傍
刷币签辄了
西南科技大学硕士研究生学位论文
在计算机视觉与模式识别领域中，人脸检测与识别技术是一个非常热
门的研究课题，同时也具备非常广阔的商业价值。在诸多的目标检测算法
中，基于AdaBoo
St算法的目标检测方法具有检测速度快，检测效果好的
特点，一直被广泛应用于人脸检测；而在众多的人脸识别方法中，基于特
征脸子空间的人脸识别算法，识别准确率较高且计算复杂度也比较低，是
目前主流的人脸识别方法之一。本文在对上述算法理论研究的基础上，对
其在Androd平台上
正在加载中，请稍后...adaboost完整版_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
文档贡献者贡献于
评价文档：
73页1下载券28页2下载券8页免费5页4下载券9页1下载券 18页4下载券33页免费8页1下载券31页免费2页1下载券
喜欢此文档的还喜欢40页1下载券31页免费33页免费
adaboost完整版|A&#8203;d&#8203;a&#8203;B&#8203;o&#8203;o&#8203;s&#8203;t&#8203;算&#8203;法&#8203;的&#8203;全&#8203;面&#8203;讲&#8203;解
把文档贴到Blog、BBS或个人站等：
普通尺寸(450*500pix)
较大尺寸(630*500pix)
大小：561.50KB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢文档贡献者
该文档贡献者很忙，什么也没留下。
下载此文档
正在努力加载中...
基于类灰度图的类Haar特征构建及其应用
文档星级：
内容提示：基于类灰度图的类Haar特征构建及其应用,haar特征,haar like特征,haar小波特征,精雕灰度图,灰度图是什么,灰度图,浮雕灰度图,灰度图制作,怎么制作灰度图,artcam 灰度图
文档格式：PDF|
浏览次数：1|
上传日期： 04:03:30|
下载积分：
该用户还上传了这些文档
官方公共微信
下载文档:基于类灰度图的类Haar特征构建及其应用.PDF1、Haar-like特征
&&&&&& Haar-like特征最早是由Papageorgiou等应用于人脸表示，Viola和Jones在此基础上，使用3种类型4种形式的特征。
Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征&#20540;为白色矩形像素和减去黑色矩形像素和。Haar特征&#20540;反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：&#30524;睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述特定走向（水平、垂直、对角）的结构。
&&&&&对于图中的A, B和D这类特征，特征数&#20540;计算公式为：v=Sum白-Sum黑，而对于C来说，计算公式如下：v=Sum白-2*Sum黑；之所以将黑色区域像素和乘以2，是为了使两种矩形区域中像素数目一致。
&&&& 通过改变特征模板的大小和位置，可在图像子窗口中穷举出大量的特征。上图的特征模板称为“特征原型”；特征原型在图像子窗口中扩展（平移伸缩）得到的特征称为“矩形特征”；矩形特征的&#20540;称为“特征&#20540;”。
&&&&& 矩形特征可位于图像任意位置，大小也可以任意改变，所以矩形特征&#20540;是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、大小和位置的变化，使得很小的检测窗口含有非常多的矩形特征，如：在24*24像素大小的检测窗口内矩形特征数量可以达到16万个。这样就有两个问题需要解决了：（1）如何快速计算那么多的特征？---积分图大显神通；（2）哪些矩形特征才是对分类器分类最有效的？---如通过AdaBoost算法来训练（这一块这里不讨论，具体见）
2、Haar-like特征的计算—积分图
&&&&&& 积分图就是只遍历一次图像就可以求出图像中所有区域像素和的快速算法，大大的提高了图像特征&#20540;计算的效率。
&&&&&& 积分图主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中，当要计算某个区域的像素和时可以直接索引数组的元素，不用重新计算这个区域的像素和，从而加快了计算（这有个相应的称呼，叫做动态规划算法）。积分图能够在多种尺度下，使用相同的时间（常数时间）来计算不同的特征，因此大大提高了检测速度。
&&&&&&&我们来看看它是怎么做到的。
&&&&&& 积分图是一种能够描述全局信息的矩阵表示方法。积分图的构造方式是位置（i,j）处的&#20540;ii(i,j)是原图像(i,j)左上角方向所有像素的和：
积分图构建算法：
1）用s(i,j)表示行方向的累加和，初始化s(i,-1)=0;
2）用ii(i,j)表示一个积分图像，初始化ii(-1,i)=0；
3）逐行扫描图像，递归计算每个像素(i,j)行方向的累加和s(i,j)和积分图像ii(i,j)的&#20540;
s(i,j)=s(i,j-1)&#43;f(i,j)
ii(i,j)=ii(i-1,j)&#43;s(i,j)
4）扫描图像一遍，当到达图像右下角像素时，积分图像ii就构造好了。
积分图构造好之后，图像中任何矩阵区域的像素累加和都可以通过简单运算得到如图所示。
&&&&&&&&&&
设D的四个顶点分别为α、β、γ、δ，则D的像素和可以表示为
Dsum = ii( α )&#43;ii( β)-(ii( γ)&#43;ii( δ ));
&&&&&&& 而Haar-like特征&#20540;无非就是两个矩阵像素和的差，同样可以在常数时间内完成。所以矩形特征的特征&#20540;计算，只与此特征矩形的端点的积分图有关，所以不管此特征矩形的尺度变换如何，特征&#20540;的计算所消耗的时间都是常量。这样只要遍历图像一次，就可以求得所有子窗口的特征&#20540;。
3、Haar-like矩形特征拓展
&&&&&&&& Lienhart R．等对Haar-like矩形特征库作了进一步扩展，加入了旋转45。角的矩形特征。扩展后的特征大致分为4种类型：边缘特征、线特征环、中心环绕特征和对角线特征：
&&&&&& 在特征&#20540;的计算过程中，黑色区域的权&#20540;为负&#20540;，白色区域的权&#20540;为正&#20540;。而且权&#20540;与矩形面积成反比（使两种矩形区域中像素数目一致）；
竖直矩阵特征&#20540;计算：
&&&& 对于竖直矩阵，与上面2处说的一样。
45°旋角的矩形特征计算：
&&&&& 对于45°旋角的矩形，我们定义RSAT(x,y)为点(x,y)左上角45°区域和左下角45°区域的像素和。
用公式可以表示为：
为了节约时间，减少重复计算，可按如下递推公式计算：
而计算矩阵特征的特征&#20540;，是位于十字行矩形RSAT(x,y)之差。可参考下图：
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：75730次
积分：1487
积分：1487
排名：第10938名
原创：18篇
转载：377篇
(4)(2)(16)(29)(7)(8)(2)(19)(2)(10)(3)(1)(6)(4)(28)(32)(55)(110)(10)(18)(9)(1)(2)(7)(3)(1)(1)(5)