opencv adaboost人脸检测训练程序阅读笔记(LBP特征)
人脸检测学习笔记（数据集-DLIB人脸检测原理-DLIBOpenCV人脸检测方法及对比）
⼈脸检测学习笔记（数据集-DLIB⼈脸检测原理-DLIBOpenCV⼈脸检测⽅法及对⽐）1.Easily Create High Quality Object Detectors with Deep Learning2016/10/11dlib中的MMOD实现使⽤HOG特征提取，然后使⽤单个线性过滤器。
这意味着它⽆法学习检测出具有复杂姿势变化的物体。
HOG：⽅向梯度直⽅图（Histogram of oriented gradient）是在计算机视觉和图像处理领域⽤于⽬标检测的特征描述器。
⼈脸检测基准FDDB有两种模式：10倍交叉验证和不受限制。
两者都在同⼀数据集上进⾏测试，但在10倍交叉验证模式下，您只能对FDDB 数据集中的数据进⾏训练。
在⽆限制模式下，您可以训练您喜欢的任何数据，只要它不包含来⾃FDDB的图像。
FDDB站点：⼈脸数据集：FDDB、ImageNet、AFLW、Pascal VOC、VGG、WIDER 、Ibug（https:///resources/facial-point-annotations/）、facescrub（）等。
2.dlib-models（1）mmod_human_face_detector是在这个数据集上训练的：http：///files/data/dlib_face_detection_dataset-2016-09-30.tar.gz。
作者通过在许多公开可⽤的图像数据集（不包括FDDB数据集）中查找⼈脸图像来创建数据集。
特别是，有来⾃ImageNet，AFLW，Pascal VOC，VGG数据集，WIDER和facescrub的图像。
数据集中的所有注释都是由作者使⽤dlib的imglab⼯具创建的。
mmod_human_face_detector 包含两种模式。
不能⼈脸识别。
（2）shape_predictor_68_face_landmarks.dat.bz2这是在ibug 300-W数据集上训练的（）。
matlab学习：人脸识别之LBP（LocalBinaryPattern）
matlab学习：⼈脸识别之LBP（LocalBinaryPattern）1.算法简介 LBP是⼀种简单，有效的纹理分类的特征提取算法。
LBP算⼦是由Ojala等⼈于1996年提出的，主要的论⽂是"Multiresolution gray-scale and rotation invariant texture classification with local binary patterns", pami, vol 24, no.7, July 2002。
LBP就是"local binary pattern"的缩写。
关于论⽂的讲解可参考链接 从纹理分析的⾓度来看，图像上某个像素点的纹理特征，⼤多数情况下是指这个点和周围像素点的关系，即这个点和它的邻域内点的关系。
从哪个⾓度对这种关系提取特征，就形成了不同种类的特征。
有了特征，就能根据纹理进⾏分类。
LBP构造了⼀种衡量⼀个像素点和它周围像素点的关系。
对图像中的每个像素，通过计算以其为中⼼的3*3邻域内各像素和中⼼像素的⼤⼩关系，把像素的灰度值转化为⼀个⼋位⼆进制序列。
具体计算过程如下图所⽰，对于图像的任意⼀点Ic，其LBP特征计算为，以Ic为中⼼，取与Ic相邻的8各点，按照顺时针的⽅向记为 I0,I1,...,I7；以Ic点的像素值为阈值，如果 Ii 点的像素值⼩于Ic，则 Ii 被⼆值化为0，否则为1；将⼆值化得到的0、1序列看成⼀个8位⼆进制数，将该⼆进制数转化为⼗进制就可得到Ic点处的LBP算⼦的值。
基本的LBP算⼦只局限在3*3的邻域内，对于较⼤图像⼤尺度的结构不能很好的提取需要的纹理特征，因此研究者们对LBP算⼦进⾏了扩展。
新的LBP算⼦LBP（P,R）可以计算不同半径邻域⼤⼩和不同像素点数的特征值，其中P表⽰周围像素点个数，R表⽰邻域半径，同时把原来的⽅形邻域扩展到了圆形，下图给出了四种扩展后的LBP例⼦，其中，R可以是⼩数，对于没有落到整数位置的点，根据轨道内离其最近的两个整数位置像素灰度值，利⽤双线性差值的⽅法可以计算它的灰度值。
LBP人脸特征提取算法研究及应用
LBP人脸特征提取算法研究及应用LBP（Local Binary Patterns）是一种常用的人脸特征提取算法。
它是一种基于局部纹理的算法，通过分析图像中每个像素点的局部纹理信息，将其转换为二进制编码来描述图片特征。
LBP算法具有计算速度快、鲁棒性强等优点，因此在人脸识别、人脸表情识别等领域得到了广泛的研究和应用。
LBP算法的基本步骤如下：1.将图像转换为灰度图像，并对其进行归一化处理，使得每个像素的像素值在0-255之间。
2.对每一个像素点，选择其周围8个像素点作为参考点，根据参考点的灰度值与当前像素点的灰度值大小关系，通过比较生成一个8位的二进制编码。
3.统计图像中所有像素点生成的二进制编码的直方图，得到一个特征向量。
LBP特征具有以下优点：1.计算速度快：LBP算法只需要遍历图像的像素点进行比较和编码，因此计算速度较快。
2.鲁棒性强：LBP算法对于光照、表情等外界因素的影响较小，能够有效提取图像中的纹理特征，对于人脸的检测和识别具有较好的鲁棒性。
3.维度低：LBP特征是通过统计直方图生成的，因此维度较低，不易受到数据维度灾难的困扰。
LBP算法在人脸识别和表情识别等领域得到了广泛应用。
在人脸识别方面，LBP算法能够有效提取人脸图像的纹理特征，通过与数据库中已有的人脸特征进行比对，实现人脸的识别和认证。
在表情识别方面，LBP算法能够捕捉人脸图像中的细微纹理变化，通过与预先定义的表情特征模板进行匹配，实现对人脸表情的准确识别。
除了人脸识别和表情识别，LBP算法还可以应用于人脸表情合成、人脸美化等方面。
通过对人脸图像中的LBP特征进行分析和处理，可以实现对人脸表情的合成和美化，进一步丰富和改善人脸图像的应用。
总之，LBP人脸特征提取算法是一种基于局部纹理的算法，具有计算速度快、鲁棒性强等优点，广泛应用于人脸识别、表情识别等领域。
未来，随着计算能力的提升和算法的优化，LBP算法在人脸图像处理方面将会有更广泛的应用前景。
LBP算法(人脸识别特征提取)
LBP算法（人脸识别特征提取）LBP（Local Binary Patterns）算法是一种用于人脸识别中的特征提取算法。
该算法能够有效地描述图像局部纹理特征，通过将图像划分为不同的区域，并计算每个区域的局部二值模式（Local Binary Pattern），从而提取出图像的纹理特征。
本文将介绍LBP算法的原理、应用以及算法的优缺点。
LBP算法的原理是基于图像局部纹理的分布统计。
算法首先将图像划分为若干个重叠的圆形区域，然后选取每个区域的中心像素点作为参考点，根据参考点和周围像素的灰度值大小关系，将周围像素的灰度值二值化。
具体而言，如果周围像素的灰度值大于或等于参考点的灰度值，则将其对应位置的二值设置为1，否则设置为0。
这样，就得到了一个局部二值模式。
对于每个局部二值模式，在其周围像素形成的二进制数中，可以计算出一个十进制的值，该值即为对应的LBP值。
然后，可以统计整个图像中不同LBP值的出现次数，以得到该图像的纹理特征向量。
为了保持LBP特征的旋转不变性，通常将计算得到的纹理特征向量进行旋转不变模式（Rotation-Invariant Patterns）的处理。
LBP算法在人脸识别中的应用非常广泛。
通过提取图像的纹理特征，LBP算法能够有效地区分人脸图像中不同的区域，从而实现人脸检测、人脸识别等任务。
与其他特征提取算法相比，LBP算法具有计算简单、计算效率高以及对光照变化、表情变化等具有较强的鲁棒性的优点。
然而，LBP算法也存在一些缺点。
首先，LBP算法提取的特征主要反映了图像的纹理信息，对于人脸的形状、结构等特征没有很好的表达能力。
其次，LBP算法对于像素点近邻选择的问题较为敏感，不同的近邻选择可能会导致特征的差异。
最后，LBP算法没有考虑像素点的空间关系，在一些图像中可能导致特征提取不准确。
为了克服这些缺点，研究人员对LBP算法进行了改进和扩展，提出了许多改进的LBP算法。
例如，Extended LBP（ELBP）算法结合了LBP算法和傅里叶描述子，融合了纹理和形状信息；Uniform LBP（ULBP）算法通过将LBP值分为不同的均匀模式，增强了特征的区分能力和鲁棒性；Multi-scale LBP（MLBP）算法在不同尺度下提取LBP特征，增强了特征的描述能力。
以LBP为基础的图像集人脸识别算法分析
以LBP为基础的图像集人脸识别算法分析在计算机视觉和图像处理领域，人脸识别一直是一个备受关注的研究领域。
人脸识别技术应用于各种场景，如安防监控、身份验证、社交媒体等。
而且人脸识别技术也是计算机视觉领域的一个重要研究方向之一。
在图像集人脸识别中，以局部二值模式（Local Binary Pattern，简称LBP）为基础的算法是一种常用的方法。
本文将介绍以LBP为基础的图像集人脸识别算法的原理和分析。
1. LBP算法原理局部二值模式（LBP）是一种用来描述图像局部纹理特征的算法。
LBP算法的基本思想是以每个像素点为中心，利用周围像素的灰度值与中心像素的灰度值进行比较，得到二值编码。
具体来说，以图像中的一个像素点为中心，将周围8个像素的灰度值与中心像素的灰度值进行比较，若周围像素的灰度值大于中心像素的灰度值，则将该像素点编码为1，否则编码为0，得到一个8位的二进制数，称为该像素点的LBP码。
将LBP码转换为十进制数，就得到了该像素点的LBP特征值。
通过这种方式，可以描述图像中每个像素点的纹理特征。
2. 以LBP为基础的图像集人脸识别算法在图像集人脸识别中，以LBP为基础的算法通常包括以下几个步骤：- 特征提取：对每张输入图像进行LBP特征提取，得到每张图像的LBP特征向量。
- 特征选择：对提取的LBP特征向量进行特征选择，选择最具有判别性的特征。
- 训练分类器：利用选取的LBP特征向量训练分类器，如支持向量机（SVM）或者k最近邻（KNN）等分类器。
- 人脸识别：利用训练好的分类器对输入的人脸图像进行识别，得到识别结果。
3. 算法分析以LBP为基础的图像集人脸识别算法具有以下优点：- 简单高效：LBP算法特征提取过程简单，计算效率高，适合对大规模图像集进行处理。
- 鲁棒性好：LBP特征对灰度变化不敏感，具有一定的鲁棒性，对光照、表情等变化具有一定的稳定性。
- 不受图像几何变换的影响：LBP特征不受图像的平移、旋转等几何变换的影响，具有一定的不变性。
人脸识别算法_几种人脸识别算法的原理概念及其代码特征
人脸识别算法_几种人脸识别算法的原理概念及其代码特征一、基于特征分析的人脸识别算法基于特征分析的算法主要通过提取人脸图像的特征信息，然后进行对比匹配。
常用的特征分析算法有主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。
1.主成分分析（PCA）主成分分析是一种经典的人脸识别算法，其主要思想是将原始的高维人脸图像数据降维到低维空间，并通过保留最重要的特征信息来实现对人脸的识别。
该算法将人脸图像看作向量，通过对人脸样本进行协方差矩阵分析，得到一组特征向量，通常称为特征脸。
然后通过计算待测人脸与特征脸的距离来判断身份。
2.线性判别分析（LDA）线性判别分析是一种将高维空间数据映射到低维空间的方法，在保留类别内部信息的同时，还具有良好的分类性能。
在人脸识别中，LDA将人脸图像看作样本，通过计算类别内均值和类别间均值的差异，找到能最好区分不同类别的投影方向。
最后，通过计算待测人脸与特征向量的距离来进行识别。
3.局部二值模式（LBP）局部二值模式是一种用于纹理分析的特征描述符，其主要思想是使用局部区域的像素值与中心像素值进行比较，然后按照比较结果生成二进制编码。
在人脸识别中，LBP算法通过将人脸图像划分为小的局部区域，计算每个区域的LBP特征向量，然后将不同区域的特征向量连接起来形成一个长向量。
最后通过计算待测人脸与训练样本的LBP特征向量的距离来进行识别。
二、基于深度学习的人脸识别算法随着深度学习的快速发展，基于深度学习的人脸识别算法逐渐成为主流。
这类算法通过设计并训练深度神经网络，可以自动学习人脸图像的特征表示，从而实现更准确的人脸识别。
1.卷积神经网络（CNN）卷积神经网络是一种前馈神经网络，其主要特点是通过卷积层和池化层来提取图像的局部特征，使得神经网络能够更好地适应图像的结构信息。
在人脸识别中，CNN通过输入人脸图像到网络中，网络会自动提取各种特征，然后通过全连接层进行分类或验证。
以LBP为基础的图像集人脸识别算法分析
以LBP为基础的图像集人脸识别算法分析随着人工智能技术的快速发展，图像识别技术也得以持续提升。
人脸识别作为人工智能技术中的重要应用之一，能够解决身份认证、安全监管等领域的问题。
本文将介绍一种以LBP为基础的图像集人脸识别算法，在人脸识别领域拥有一定的研究和应用价值。
1、LBP特征LBP（Local Binary Pattern）特征是一种用于纹理描述的局部特征。
LBP特征的基本思想是以像素点为中心，按照一定的邻域半径和点的数量统计该中心像素点与邻域点的灰度值大小关系，再将这些大小关系编码为二进制数，从而产生由二进制数构成的本征模式，表示该中心像素点所在位置的局部纹理特征。
以一个8邻域为例，可以按照如下的方式计算LBP特征值：（1）将像素点的邻域设置为$r$半径内的8个像素点。
（2）计算邻域内8个像素点的灰度值差异。
设像素点$p(x,y)$的灰度值为$I(x,y)$，邻域内第$i$个像素点$(x_i,y_i)$的灰度值为$I(x_i,y_i)$，则第$i$个像素点与中心像素点$P$的灰度值差异可以用$I(x_i,y_i)-I(x,y)$表示，即：$d_i=I(x_i,y_i)-I(x,y)$（3）将邻域内8个像素点与中心像素点的灰度值差异进行二值化。
如果灰度值差异小于等于0，则将其二值化为0，否则将其二值化为1。
二值化后得到的8位二进制数可以表示当前二进制数所对应的LBP特征值。
假设二进制数的第$i$位的值为$b_i$，则当前二进制数的LBP特征值可以表示为：$LBP_8=P(\{b_0,b_1,b_2,…,b_7\})=\sum\limits_{i=0}^{7} b_i 2^i$对于选定的像素点来说，计算得到的LBP特征值作为该像素点的特征描述符，反映了该像素点所在位置的局部纹理特征。
（1）图像预处理首先需要将原始的人脸图像进行预处理。
预处理主要包括图像归一化、直方图均衡化、去除噪声等步骤。
归一化能够使得不同大小的人脸图像有相同的尺寸，从而方便后续的特征提取和识别。
OpenCV人脸识别LBPH算法源码分析
OpenCV⼈脸识别LBPH算法源码分析1 背景及理论基础⼈脸识别是指将⼀个需要识别的⼈脸和⼈脸库中的某个⼈脸对应起来（类似于指纹识别），⽬的是完成识别功能，该术语需要和⼈脸检测进⾏区分，⼈脸检测是在⼀张图⽚中把⼈脸定位出来，完成的是搜寻的功能。
从OpenCV2.4开始，加⼊了新的类FaceRecognizer，该类⽤于⼈脸识别，使⽤它可以⽅便地进⾏相关识别实验。
原始的LBP算⼦定义为在3*3的窗⼝内，以窗⼝中⼼像素为阈值，将相邻的8个像素的灰度值与其进⾏⽐较，若周围像素值⼤于或等于中⼼像素值，则该像素点的位置被标记为1，否则为0。
这样，3*3邻域内的8个点经⽐较可产⽣8位⼆进制数（通常转换为⼗进制数即LBP码，共256种），即得到该窗⼝中⼼像素点的LBP值，并⽤这个值来反映该区域的纹理特征。
如下图所⽰：原始的LBP提出后，研究⼈员不断对其提出了各种改进和优化。
1.1 圆形LBP算⼦基本的 LBP算⼦的最⼤缺陷在于它只覆盖了⼀个固定半径范围内的⼩区域，这显然不能满⾜不同尺⼨和频率纹理的需要。
为了适应不同尺度的纹理特征，Ojala等对LBP算⼦进⾏了改进，将3×3邻域扩展到任意邻域，并⽤圆形邻域代替了正⽅形邻域，改进后的LBP算⼦允许在半径为R的圆形邻域内有任意多个像素点，从⽽得到了诸如半径为R的圆形区域内含有P个采样点的LBP算⼦，OpenCV中正是使⽤圆形LBP算⼦，下图⽰意了圆形LBP算⼦：1.2 旋转不变模式从LBP的定义可以看出，LBP算⼦是灰度不变的，但却不是旋转不变的，图像的旋转就会得到不同的LBP值。
Maenpaa等⼈⼜将LBP算⼦进⾏了扩展，提出了具有旋转不变性的LBP算⼦，即不断旋转圆形邻域得到⼀系列初始定义的LBP值，取其最⼩值作为该邻域的LBP值。
下图给出了求取旋转不变LBP的过程⽰意图，图中算⼦下⽅的数字表⽰该算⼦对应的LBP值，图中所⽰的8种LBP模式，经过旋转不变的处理，最终得到的具有旋转不变性的LBP值为15。
Adaboost人脸检测算法研究及OpenCV实现
Adaboost人脸检测算法研究及OpenCV实现Adaboost人脸检测算法研究及OpenCV实现人脸检测是计算机视觉领域中的一个关键问题，也是许多应用中的必需功能。
随着计算机性能的提升和人工智能的发展，人脸检测算法也在不断进步。
其中，Adaboost算法是一种常用的分类算法，被广泛应用于人脸检测中。
Adaboost算法是一种集成学习（ensemble learning）的方法，它通过组合多个弱分类器（weak classifier），构建一个强分类器（strong classifier）。
弱分类器通常只能在特定情况下进行准确分类，但对于分类错误的样本有一定的纠正能力。
而强分类器则是通过对多个弱分类器的加权组合，实现对不同情况下的样本进行准确分类。
在人脸检测中，Adaboost算法首先需要提取出一组有效的特征，这些特征可以描述人脸的局部形态。
其中，Haar-like特征是一种常用的人脸特征表示方法。
它将图像划分为多个矩形区域，并对每个矩形区域内的像素值进行求和操作，进而得到一个特征值。
这些特征可以通过比较不同位置和大小的矩形区域的像素和来描述图像的不同区域。
通过计算不同特征的分类误差和权重，Adaboost算法可以自动选择最优的特征组合来进行人脸检测。
在OpenCV库中，已经实现了Adaboost人脸检测算法。
首先，我们需要训练一个Adaboost分类器，将其用于人脸检测。
这一步骤需要准备一组正样本（包含人脸的图像）和一组负样本（不包含人脸的图像），并通过训练算法自动学习人脸的特征。
具体训练步骤如下：1. 初始化权重。
对于每个样本，初始权重均为1/N，其中N是样本总数。
2. 对于每个弱分类器，通过计算分类误差和权重来选择最优的特征。
分类误差定义为被错误分类的样本的权重之和。
3. 根据分类误差和权重更新样本的权重。
被正确分类的样本的权重减小，而被错误分类的样本的权重增加。
4. 重复步骤2和步骤3，直到达到设定的停止条件（例如误差达到一定阈值或者达到最大迭代次数）。
基于OpenCV和Adaboost算法的人脸检测
［ ］ ＩＬ Ｐ Ｊ Ｎ Ｓ ． Ｒ ｂ ｓ ｒ ａ ｔ ｍ ｏ ｊ ｃ ｄ ｔ ｅ ｉ ｎＡ ． ｔ ２ Ｖ Ｏ Ａ ， Ｏ Ｅ Ｍ ｏ ｕ ｔ ｅ ｌ ｉ ｅ ｂ ｅ ｔ ｅ ｅ ｔｏ ［］ ８ ｈ
／ ｐ ｎ Ｖ ｄ ｔ ／ ａ ｒ ａ ｃ ｄ ｓ ｈ ａ ｃ ｓ ａ ｅ ｆ ｏ ｔ ｌ ａ ｅ ａ ｔ ． ｍ ； ／ 保 ０ｅＣ ／ａａ ｈａ ｃｓａ ｅ／ａｒ ａｃ ｄ ｒ ｎ ａ ｆ ｃ ｌ２ｘ ｌ ／
— ＿
［］ ４ 武妍 、项恩宁 ，动态权值 预划分 实值Ａ ａ ｏ ｓ 人脸检 测算法 ［］ 计算 ｄｂｏ ｔ Ｊ．
有 较好 的应 用前 景 。
参 考文 献 ：
样 本 的 创 建
［ ］ ｉｇ Ｈ ｕ ｎ ａ ｇ Ｄ ｖ ｄ Ｋ ｉ ｇ ａ ． ｅ ｅ ｔｎ Ｆ ｃ ｓ ｎ ｍ ｇ ｓ Ａ １ Ｍ ｎ — ｓ ａ Ｙ ｎ ， ａ ｉ Ｊ ｒ ｅ ｍ ｎ Ｄ ｔ ｃ ｉｇ ａ ｅ ｉ Ｉａ ｅ ：
Ｓｕ ｒｖｅ Ｊ］ Ｅ Ｔ ｎｓ． ａｔｔ ｒｎ Ａ ｙ［ ．Ｉ ＥＥ ｒａ Ｐ ｅ ｎａｌ ａｎ Ｍ ｈｉ ｓｉ ｙ ｓ ｄ ａｃ ｎｅ
Ｉ ｔ ｌ ｉ ｅｃ ，９ ９ １ （）：７ ８ ． ｎ ｅ １ ｇ ｎ ｅ １ ９ ， ４ ５ ７ 卜７ ０
进 行 目标 检 测
３２ 人 脸检测 的 实现 。在Ｏ ｅＣ 下 的实现 过 程为 ： ． ｐ ｎＹ
１ ）载入 分类 器是通 过 以下语 句 实现 ：ｃｓａｅｎｍ ＝ｃ／ｒ ｇａＦｌ ｓ ａｃ ｄ＿ａｅ ：Ｐｏｒｍ ｉｅ
信 息
科 学
Ｖ Ａ
一＿ ｉ
LBP算法(人脸识别特征提取)
LBP算法（人脸识别特征提取）LBP（Local Binary Patterns）算法是一种用于人脸识别的特征提取方法。
它通过计算图像中每个像素点的局部二值模式，将图像中的纹理信息转化为一个向量来表示人脸的特征。
LBP算法独特的特征提取方式使其在人脸识别领域具有广泛的应用。
LBP算法的核心概念是局部二值模式。
在图像中，对于一个中心像素点，将其周围的像素点与中心像素点进行比较，如果周围像素点的灰度值大于等于中心像素点的灰度值，则将该像素点表示为1，否则表示为0。
通过这样的比较过程，我们可以得到一个二进制数值，即该区域的局部二值模式。
LBP算法通过计算图像中每个像素点的局部二值模式，将整个图像转换为一个特征向量。
具体来说，我们可以将图像分成多个小区域，每个小区域内部都有一个中心像素点。
对于每个中心像素点，我们都可以得到一个局部二值模式，将其表示为一个二进制数值。
然后，我们可以将这些二进制数值连接起来，形成一个特征向量，用于表示整个图像。
这个特征向量反映了图像中不同区域的纹理信息，因此可以用于人脸识别。
LBP算法具有以下几个优点：首先，它是一种局部特征提取方法，能够对人脸的纹理信息进行有效提取。
其次，LBP算法计算简便，不需要复杂的数学运算。
第三，LBP算法对于光照、噪声等因素具有一定的鲁棒性，可以在不同的环境下进行人脸识别。
然而，LBP算法也存在一些不足之处。
首先，LBP算法只能提取图像的纹理信息，对于其他特征如颜色，形状等没有考虑。
其次，LBP算法对于图像中纹理变化较大的区域容易受到干扰，造成特征提取不准确。
为了解决这些问题，研究者们通过改进LBP算法的方式提出了一系列的变体算法，如旋转不变LBP（RILBP）、多尺度LBP（MLBP）等。
总结起来，LBP算法是一种用于人脸识别的特征提取方法。
它通过计算图像中每个像素点的局部二值模式，将图像中的纹理信息转化为一个向量来表示人脸的特征。
LBP算法具有计算简便、对光照噪声具有一定鲁棒性等优点，但也存在对纹理变化较大的区域容易受到干扰等不足之处。
OpenCV学习笔记（十六）
OpenCV学习笔记（十六）前言：第一种方法是人脸检测中最常用的是Haar-Adaboost算法，该算法首先在人脸检测中得到广泛运用，而后也被用于其它有关目标检测中。
adaboost 是一套机器学习的框架，根据给出的正样本和副样本训练一个用于识别正样本一类物体的模型。
这个模型的本质就是分类器，又叫做级联（cascade）分类器。
本文主要是学习使用OpenCV自带的adaboost+haar特征程序，并展示其用于人脸检测的效果，最后学习如何训练自己的分类器。
第二种方法是基于OpenCV内置的HOG+SVM算法。
这种算法我用python语言编写程序，通过读取视频中的每一帧图像来作为输入检测人脸。
一、基于Haar-Adaboost算法的代码演示OpenCV支持的目标检测的方法是利用样本的Haar特征进行的分类器训练，得到的级联boosted分类器（Cascade Classification）。
1.#include <opencv2/opencv.hpp>2.#include <iostream>3.ing namespace cv;ing namespace std;6.7.int main( )8.{9.String cascadeFilePath = "D:\\OpenCV3.1\\opencv\\build\\etc\\haarcascades\\haarcasca de_frontalface_alt.xml"; //反斜杠’\‘表示转义字符，所以绝对路径需要如是表示10.CascadeClassifier face_cascade;11.if (!face_cascade.load(cascadeFilePath)) // 用load函数加载XML分类器文件12.{13.printf("could not load the haar data...\n");14.return -1;15.}16.Mat src_img, gray_img;17.src_img = imread("test16.jpg");18.cvtColor(src_img, gray_img, COLOR_BGR2GRAY);19.equalizeHist(gray_img, gray_img); //直方图均衡化20.imshow("原图", src_img);21.22.vector<Rect> faces; // faces是一个容器，用来接收检测到的人脸23.face_cascade.detectMultiScale(gray_img, faces, 1.1,2, 0, Size(10, 10), Size(30, 30)); //寻找人脸24.for (auto t = 0; t < faces.size(); ++t)25.{26.rectangle(src_img, faces[t], Scalar(0, 0, 255), 2, 8, 0); // 用红色矩形框出人脸27.}dWindow("检测结果",CV_WINDOW_AUTOSIZE);29.imshow("检测结果", src_img);30.31.waitKey(0);32.return 0;33.}运行程序如下：我们换张人多的照片试试：注意事项：（1）在xml文件的路径当中，我们用到了“\\”，为什么呢？且听我娓娓道来：在Unix/Linux中，路径的分隔采用正斜杠"/"，比如"/home/hutaow"；而在Windows中，路径分隔采用反斜杠"\"，比如"C:\Windows\System"。
LBP特征ADABOOST分类器
LBP特征ADABOOST分类器LBP（Local Binary Patterns）特征是一种用于图像和人脸识别的特征描述符。
它是一种局部纹理特征，用于描述图像局部区域的纹理信息。
LBP特征能够捕捉图像的局部纹理模式，具有不变性和高效性的优点，因此广泛应用于人脸识别、图像分类和目标检测等领域。
LBP特征描述了图像中所有像素点与其相邻像素点之间的相对关系，并将这种相对关系编码成一个二进制串。
具体来说，对于每个像素点，计算与其相邻像素点的灰度差值，并将灰度差值进行二值化，得到一个二进制码。
将这些二进制码进行串联，即得到了该像素点的LBP特征。
ADABOOST（Adaptive Boosting）是一种常用的分类器学习算法。
它是基于一系列弱分类器的组合来构建一个强分类器。
ADABOOST的核心思想是通过逐步调整样本权重来重复训练分类器，每一次训练都会根据上一次分类结果调整样本权重，使得分类器对误分类样本具有更高的关注度。
LBP特征的优势在于其有效捕捉了图像纹理信息，对光照变化和噪声有一定的鲁棒性。
而ADABOOST算法则能够逐步调整样本权重，注意到误分类样本，从而提升分类器的性能。
将LBP特征与ADABOOST分类器相结合，可以进一步提高分类器对图像纹理信息的感知能力，并提高分类的准确性。
LBP特征和ADABOOST分类器的结合在实际应用中取得了良好的效果。
例如，在人脸识别领域，采用LBP特征与ADABOOST分类器能够有效地对人脸图像进行特征提取和分类，实现人脸的自动识别。
在图像分类和目标检测中，利用LBP特征与ADABOOST分类器可以识别不同类别的图像，并准确地检测出目标物体。
总之，LBP特征与ADABOOST分类器的结合能够有效地提取图像的纹理信息，并用于分类和识别任务。
这种组合在计算机视觉和模式识别领域具有广泛的应用前景，可以应用于人脸识别、图像分类、目标检测等多个领域。
通过进一步的算法改进和优化，可以进一步提高分类器的性能，并推动相关研究在实际应用中的推广和应用。
以LBP为基础的图像集人脸识别算法分析
以LBP为基础的图像集人脸识别算法分析LBP（Local Binary Patterns，局部二值模式）是一种基于纹理特征的图像描述子，广泛应用于人脸识别任务中。
本文将以LBP为基础，对以LBP为基础的图像集人脸识别算法进行分析。
LBP算法的基本原理是通过对局部邻域像素的二值化，来描述该像素点与其周围邻域的关系。
具体来说，LBP算法将一个像素点的像素值与它周围8个邻域像素的像素值进行比较，如果周围邻域像素的值大于等于中心像素值，则该邻域像素被赋值为1，否则赋值为0。
然后将生成的二进制码转化为十进制数值，作为该像素点的LBP特征值。
通过对整张图像的每个像素点都进行上述操作，就可以生成一个LBP纹理图像。
这个纹理图像可以很好地反映原始图像的局部纹理信息。
在人脸识别任务中，LBP算法的应用主要有两种场景：1. 基于LBP的纹理特征描述：将LBP特征应用于人脸识别任务，可以通过提取图像纹理特征来进行人脸匹配。
通过比较两张人脸图像的LBP纹理图像的相似度，可以判断它们是否为同一个人的人脸。
2. 基于LBP的人脸特征提取：LBP纹理图像本身也可以用于描述人脸特征。
通过对训练集中的人脸图像进行LBP特征提取，并将这些特征作为训练数据，可以构建人脸特征空间。
对于待识别的人脸图像，可以通过计算其LBP特征，再在人脸特征空间中进行匹配，来实现人脸识别。
需要注意的是，LBP算法本身只能提取图像的局部纹理特征，对于全局特征如形状、位置等无法很好地描述。
在基于LBP的人脸识别算法中，通常使用其他方法来补充提取全局特征。
以LBP为基础的图像集人脸识别算法主要是通过提取LBP特征来描述人脸图像的纹理特征，并通过比较不同图像的LBP特征来判断它们是否为同一个人的人脸。
为了提取更全面的人脸特征，通常还会结合其他方法来提取全局特征。
这种算法具有计算简单、鲁棒性好的特点，并且在实际中已经得到了广泛的应用。
LBP特征ADABOOST分类器
LBP特征ADABOOST分类器第四章特征级图像融合本章⾸先介绍了特征级融合的现状。
基于特征级融合的流程⼀般基于图像识别的预分割、特征提取、分类器三层次框架，随后本⽂从特征提取和分类器两⽅⾯进⾏了介绍。
随后基于SAR图像特点，重点介绍了本⽂针对SAR图像特点采⽤的基于Meanshift初分割；马尔可夫随机场特征和LBP特征，以及AdaBoost分类器的特征级融合⽅案。
4.1 介绍特征融合就是把多种特征信息按⼀定的⽅式有机地组合成统⼀的信息模型。
融合后的信息是对被感知对象或场景的更加确切的解释和更⾼层次的描述。
特征级图像融合是对图像特征进⾏的融合，对不同的图像进⾏特征提取，按各图像上相同类型的特征进⾏融合处理，它能够以较⾼的致信度⽣成新的图像。
特征间的关系纷繁复杂，若⽤融合⽅式来处理可归纳成以下⼏种：1）合作：两分析结果中，⼀个是另外⼀个成为有效的条件。
2）竞争：各分析结果属于同⼀种类型，彼此间相互增强或互相削弱。
3）互补：各分析结果相互补充，从不同侧⾯反映同⼀⽬标。
由上可见，特征级的图像融合与常见的预分割、特征提取、分类器设计三个步骤的图像分析框架是类似的，只是将特征提取放在了对不同传感器图像上，⽽分类器设计时还需要考虑特征来⾃不同传感器，需要考虑不同传感器上特征的各种关系。
⽬前基于特征融合的算法还⽐较分散，没有形成较为统⼀的理论框架。
其中Datcu及其研究⼩组的⼯作较为引⼈注明[48][49] [50][51][52]。
他们基于特征学习和聚类研究，提出了基于多源遥感图像融合的数据挖掘研究框架。
该框架基于马尔可夫场理论对各类图像进⾏特征提取⼯作，随后基于K均值等算法，在特征空间进⾏聚类，通过特征的融合和聚合获得图像类别信息，再通过⼈⼯指派和其他⼲预⼿段最终获得精确的图像解译信息。
本⽂在上述框架基础上，⾸先对原始图像提取了马尔可夫场特征、并引⼊了具有旋转不变性的LBP 特征，随后利⽤⽬前机器学习领域和SVM ⼀起构成最为重要的学习算法的AdaBoost ⽅法进⾏特征的选取，合作，竞争和互补，以获得更好的场景分类的识别效果。
Python基于OpenCV库Adaboost实现人脸识别功能详解
Python基于OpenCV库Adaboost实现⼈脸识别功能详解本⽂实例讲述了Python基于OpenCV库Adaboost实现⼈脸识别功能。
分享给⼤家供⼤家参考，具体如下：以前⽤Matlab写神经⽹络的⾯部眼镜识别算法，研究算法逻辑，采集⼤量训练数据，迭代，计算各感知器的系数。
相当之⿇烦~⽽现在运⽤调⽤pythonOpenCV库Adaboost算法，⽆需知道算法逻辑，⽆需进⾏模型训练，⼈脸识别变得相当之简单了。
需要⽤到的库是opencv(open source computer vision)，下载安装⽅式如下：使⽤pip install numpy语句安装numpy（如果出现错误：Microsoft Visual C++ 9.0 is required <unable to find vcvarsall.bat>，使⽤管理员⾝份安装Microsoft Visual C++ 9.0，重新启动计算机，再使⽤使⽤pip install numpy语句安装numpyopencv2.4.10下载之后解压(随便解压到哪⾥)，将解压⽬录opencv⽂件夹中，build->python->2.7->x86下的⽂件cv2.pyd 复制到python2.7\Lib\site-packages 中测试是否安装成功，执⾏解压⽬录下的sources\samples\python\drawing.py或者进⼊python环境，使⽤import cv2⾸先讲讲需要⽤到的新函数：CascadeClassifier()函数,导⼊分类器cv2.CascadeClassifier('xxxxx.xml')#haarcascade_frontalface_alt.xml脸部识别⽂件#haarcascade_eye.xml眼部识别⽂件函数的参数是xml完整路径(具体看你的opencv安装在哪⾥的，在opencv\sources\data\haarcascades下⾯)，xml⽂件中是封装好的算法detectMultiScale()函数，进⾏识别detectMultiScale(image,scaleFactor,minNeighbors,flags,minSize,maxSize)最终返回值为识别出的矩阵框[x, y, w, h]，(x,y)左上⾓起始坐标，w宽，h⾼image:⽤于检测的图像scaleFactor:前后两次相继的扫描中，搜索窗⼝的⽐例系数.例如1.1指将搜索窗⼝依次扩⼤10%。
lbp算法人脸检测原理
lbp算法人脸检测原理LBP算法是一种用于人脸识别的特征提取方法。
该算法基于人脸图像中灰度值的局部二进制模式（Local Binary Pattern，简称LBP），通过对图像采取特定的处理步骤，从而得到一组构成特征向量的二进制串。
这些特征向量在不同的应用场合中，可以实现对人脸的快速准确检索与识别。
LBP算法中的LBP值体现了像素点周围8个像素的位置和当前像素的亮度值之间的关系。
每个像素周围的8个像素根据亮度值的大小分别被标记为“1”和“0”。
而当前像素的LBP值就是由这8个像素的亮度值构成的8位二进制数。
例如，如果当前像素周围8个像素点的亮度值分别是：{128, 64, 32, 16, 8, 4, 2, 1}，则对应的LBP值就是“01001001”，即0*128+1*64+0*32+0*16+1*8+0*4+0*2+1*1=65。
LBP算法在人脸检测领域中的应用是基于以下原理：人脸区域通常具有高对比度、具有显著纹理变化和细节特征，而周围区域则相对均匀和平滑。
在进行人脸检测时，LBP算法可以通过检测图像中亮度值的局部变化，明显地标记出人脸部分，此外，LBP算法也可以识别出人脸关键点，如眼睛、嘴巴等位置信息。
LBP算法的具体实现步骤如下：首先，将需要检测的图像转化为灰度图像，并将像素点的灰度值归一化到0~255之间。
其次，将图像分成大小一致的小块，每个小块的大小为R*R，R通常取值为3或5。
对于每个小块，以其中心像素点为当前像素点，比较它周围8个像素点的灰度值与当前像素点的灰度值，根据大小关系将其标记为0或1，最终生成一个包含8个二进制位的LBP码。
将所有小块的LBP码拼接到一起，得到该图像的LBP 特征向量。
最后，通过LBP特征向量的计算与比较，判断图像中是否存在人脸，并定位人脸区域。
LBP算法的优点在于能够在复杂背景下快速准确地检测出人脸，并且计算量相对较小、速度较快。
此外，LBP算法可以很好的结合其他特征检测算法，实现更为精准的人脸识别。
OPENCV的HAAR+ADABOOST(OPENCV HAARTRAINING.EXE)的训练笔记及注意点说明
Opencv的haar+adaboost（opencv_haartraining.exe）的训练笔记及注意点说明这里是用opencv的haar+adaboost来训练人头检测的，以下是训练的操作流程、注意点说明以及对一些错误的解释。
一、操作流程1、准备工作将需要用到的样本及可执行文件都放到同一个文件夹下，其中pos和neg 两个文件夹分别为正负样本的文件夹。
这样做的目的是省去可能存在的麻烦，比如在写路径的时候容易出错。
另外，还需提前采集好正负样本，这里是用自编程序进行采集，要保证样本差异性，每个人的人头样本采集2-3张即可，采集区域应包含头和肩。
(注：后来发现正样本可以有重复，数量也没有要求。
)2、归一化处理将样本重命名，目的是修改描述文件时比较方便，不重命名也不会影响训练的。
同时，对样本进行尺寸归一化，用自编程序处理，其中正样本一定要尺寸归一化。
3、正负样本描述文件生成进入正样本文件夹pos，执行dir/b>pos.data，即可生成正样本描述文件pos.data，该文件的后缀名也可以是txt，在本次开发中我们用的是.txt文件。
负样本的描述文件类似生成。
有以下几个注意点：（1）负样本说明文件不能含有目标物体；（2）负样本图像尺寸不受到限制，但是尺寸越大，训练所用的时间越长；（3）负样本图像可以是灰度图，也可以不是，笔者建议使用灰度图，这样处理起来可能更有效率；（4）负样本图像尽量不要重复，增大负样本图像的差异性，可以增加分类器的使用范围，笔者建议可以使用网上的素材库，将1000多张不含目标的图片灰度处理后用来训练，效果更佳。
4、正样本的vec文件生成执行命令如下：D:\sample\headcount\haar+adaboost_sample>opencv_createsamples.exe -vec pos.vec-info D:\sample\headcount\harr+adaboost_sample\pos\pos.txt-bg D:\sample\headcount\haar+adaboost_sample\neg\neg.txt-w20-h20-num105这个命令一定要注意将路径写全，至少要从opencv_createsamples.exe所在目录写起。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1、训练程序整体流程（1）读输入参数并打印相关信息（2）进入训练程序最外层入口classifier.train1）读正负样本，将正负样本放入imgLiast中，先读正样本，后读负样本2）load( dirName )判断之前是否有已训练好的xml文件，若有，不在重新训练该stage的xml文件，没有返回false，初始化参数3）计算requiredLeafFARate = pow(maxFalseAlarm,numStages)/max_depth,该参数是stage停止条件（利用训练样本集来计算tempLeafFARate，若tempLeafFARate小于这一参数，则退出stage训练循环）；4）Stage训练循环5）更新训练样本集，计算tempLeafFARate（负样本被预测为正样本的个数除以读取负样本的次数，第一次没有训练之前，这个比值为1，因为没训练之前，所有负样本都被预测成了正样本，当第一层训练好以后，负样本采集时会先用第一层的分类器预测一次，若能分类，则不选用，选用负样本的数目是固定的，但选用这么多负样本总共要选的次数会随着层数的增多而加大，因为层数越大，分类器的分类能力也要求越大，说需要的样本就是前面分类器所不恩呢该识别的，故在采集时也比较困难。
）6）判断stage是否退出训练，若tempLeafFARate<requiredLeafFARate则退出stage训练，否则继续；7）强训练器训练入口tempStage->train（）a.建立训练数据data = new CvCascadeBoostTrainData（主要是一些参数的设置，还有特征值的计算）b.初始化样本权重update_weights( 0 );c.弱分类器训练循环i）tree->train—》do_trainai) 根节点的初始root = data->subsample_data( _subsample_idx );（主要是对根节点的一些参数进行初始化，parent 0，count 1，split 0，value 0，class_idx 0，maxlr 0，left = right = 0，等等）bi) CV_CALL( try_split_node(root))，根据根节点计算整颗数的各节点的参数配置aii) calc_node_value( node );计算节点的回归值，类似于分类投票值sum(w*class_lable),正样本的class_lable取，负样本的class_lable取-1；计算节点的风险值node_risk，noderisk is the sum of squared errors: sum_i((Y_i -<node_value>)^2)bii) 判断节点是否可以分裂（判断依据：样本值和设计的节点最大深度）；再利用node_risk与regression_accuracy，如果这个节点的所有训练样本的节点估计值的绝对差小于这个参数，节点不再进行分裂cii) 找出最佳分裂best_split = find_best_split(node);aiii) 定义DTreeBestSplitFinder finder( this, node );biii) parallel_reduce(cv::BlockedRange(0, data->var_count), finder)；此时调用DTreeBestSplitFinder类的操作符DTreeBestSplitFinder::operator()(constBlockedRange& range)aiv) 遍历所有特征vi = vi1; vi< vi2; vi++biv) res = tree->find_split_cat_reg()得到特征为split->var_idx = vi的最佳分裂的质量split->quality(split->quality越大越好)av) 将特征为vi所有样本的特征值返回到cat_labelsbv) 计算每个特征值取值不权值和和响应和，例如特征值为，则将所有特征值列表中特征值为的样本权值相加，LBP的特征值范围是0~255，故有256个categorycv) 计算每个category的平均响应值，即将每个category的响应和除以每个category的样本权值和dv) icvSortDblPtr( sum_ptr, mi, 0 );把256个值进行升序排序，注意sum_ptr里存的是sum[i]的地址，这里排序的依据是特征值还是按照每个特征值的平均响应来排序？？？个人感觉是按特征值的平均响应来排序fv) 将每个特征值的平均响应值乘以该特征值的总权值得到每个特征值的总响应gv) 遍历subset_i = 0; subset_i< mi-1; subset_i++avi) 计算索引是subset_i在排序前的idxbvi) 获取索引idx对应的样本总权重cvi) 获取索引idx对应的样本总响应dvi) 以subset_i为分裂点，计算分裂质量（sumL*sumL）/ weightL +（sumR*sumR）/ weightRfvi) 若最佳分裂质量小于这个质量，则更新最佳分裂质量hv) 经过训练得到最佳分裂点和最佳分裂质量，将遍历得到的值更新到split结构体各参数。
Iv) 得到该特征对应的split->subset，for( i = 0; i<= best_subset; i++ )avi) 计算索引是i在排序前的idxbvi) split->subset[idx>> 5] |= 1 << (idx& 31);subset[8]，每个数组里存放32位的整数，整数值由idx决定，idx也就是特征值大小civ) 若bestSplit->quality < split->quality，将split拷贝到bestSplitciii) 初始化一个bestSplit，将finder.bestSplit拷贝到bestSplit，并返回bestSplitdii) 将bestSplit赋给node->spliteii) 计算节点方向quality_scale = calc_node_dir( node );aiii) 获取最佳特征的索引vibiii) 遍历所有样本i = 0; i < n; i++aiv) 计算第i个样本的特征为vi的特征值idxbiv) 获取第i个样本的权重wciv)d=idx>=0?CV_DTREE_CA T_DIR(idx,subset) :0CV_DTREE_CA T_DIR(idx,subset) = (2*((subset[(idx)>>5]&(1 << ((idx) & 31)))==0)-1)(d = 1或者 d = -1)div) sum += d*w; sum_abs += (d & 1) * wfiv) dir[i] = (char)d;ciii) R =(sum_abs + sum)*0.5;(取向正样本的所有权重和)diii) L=(sum_abs- sum)*0.5;;(取向负样本的所有权重和)fiii) node->maxlr = MAX( L, R );giii) 返回node->split->quality/(L + R);fii) split_node_data( node );aiii) complete_node_dir(node);对每个样本的归类属性再一次定义，确保每个样本要么分到左边要么分到右边biii) 遍历样本，得到左节点和右节点的样本数nl和nrciii) 对左节点和右节点初始化diii) 分别计算左节点和右节点的每个特征对应的分类样本数（这中间的代码不是很懂！！！）gii) try_split_node( node->left );Iii) try_split_node( node->right );ii）cvSeqPush( weak, &tree );将训练好的树添加到弱分类器重iii）update_weights( tree );更新样本权重ai) weak_eval[i] = f(x_i) in [-1,1]对应代码为weak_eval->data.db[i]*= -orig_response->data.i[i];i为0~n-1，n为样本数目bi) w_i *= exp(-y_i*f(x_i))iv）trim_weights();调整权重，但在程序中未看出调整，该函数是根据更新后的权重调整subsample_mask的数据，即利用阈值判断正样本被检测正确的将subsample_mask的数据赋值为1；v）强制退出循环判断cvCountNonZero(subsample_mask)，若subsample_mask中数据全为0，则直接退出弱分类器循环，这种情况应该不会出现d.弱分类器训练循环终止条件判断while( !isErrDesired() && (weak->total<params.weak_count) );（isErrDesired()计算负样本的虚警率，若小于maxfalserat返回true,反之返回false；isErrDesired()还计算stage阈值，具体计算过程：对正样本进行预测，预测值放在eval向量中，对向量中的预测值排序（本人默认为升序），计算阈值索引intthresholdIdx =(int)((1.0F - minHitRate) * numPos);threshold = eval[ thresholdIdx ];这样在检测时，根据叶子节点的预测值小于这个阈值即认为是负样本）8）如果强分类器重弱分类器的个数大于0，返回ture，否则返回false9）返回ture时输出和打印相关信息，否则退出stage循环10）保存stage的xml文件（3）输出和打印相关信息。