人脸识别的原理——这样学习最简单（文末有免费送书活动）

计算机视觉研究院

发布于 2022-03-04 12:11:34

1.3K0

发布于 2022-03-04 12:11:34

文章被收录于专栏：计算机视觉战队

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜ComputerVisionGzq

学习群｜扫码在主页获取加入方式

文末有送书福利！！！

计算机视觉研究院专栏

作者：Edison_G

OpenCV 中提供了关于人脸识别的算法，它主要使用 Haar 级联的概念。

1.Haar 特征

人脸识别使用 Haar 级联分类器，通过对比分析相邻图像区域来判断给定图像或子图像与已知对象是否匹配。Haar 特征分为 4 种类型：边缘特征、线性特征、中心特征和对角线特征。将这些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值为白色矩形像素之和减去黑色矩形像素之和。Lienhart R．等人对 Haar-like 矩形特征库做了进一步扩展，扩展后的特征大致分为 4 种类型——边缘特征、线性特征、圆心环绕特征和特定方向特征，如图 1所示。

图 1 扩展后的 Haar 特征

Haar 特征的提取简单来说就是通过不断改变模板的大小、位置和类型，将白色矩形区域像素之和减去黑色矩形区域像素之和，从而得到每种类型模板的大量子特征。

2．积分图

计算 Haar 的特征值需要计算图像中封闭矩形区域的像素值之和，在不断改变模板大小和位置来获取子特征的情况下，计算大量的多重尺度区域可能会需要遍历每个矩形的每个像素点的像素值，且同一个像素点如果被包含在不同的矩形中会被重复遍历多次。这就导致了大量的计算和高复杂度，并且包含了大量不必要的操作，因此可以用积分图来减少计算量。

积分图的原理是从第二次遍历图像开始，通过第一次遍历图像时保留下来的矩形区域 4 个角的值来提供需要的像素的总和。我们通过图 2 所示的积分原图可以更好地理解这个概念，因此如果需要计算图像中任意矩形区域的面积，就不需要遍历区域内的所有像素点。

图 2 积分原图

例如，计算图 12.5 中矩形 ABCD 的面积。将矩形 ABCD 的面积记为 S1，图中左顶点记为 O 点，以 O 点与 A 点连线为对角线的矩形面积记为 S2，以 O 点与 B 点连线为对角线的矩形面积记为 S3，以 O 点与 C 点连线为对角线的矩形面积记为 S4，以 O 点与 D 点连线为对角线的矩形面积记为 S5，如图 3所示。

图 3 O 点对应的不同矩形区域

有了 4 个区域的面积后，就可以通过 S2、S3、S4 和 S5 来计算出 S1 的面积了，如式所示。

提取目标图像的 Haar 特征需要计算多个尺度矩形的和。这些计算是重复的，因为遍历图像时反复遍历了同一个像素点，而这会导致系统运行速度缓慢且效率低下，并且这对构建一个实时的人脸识别系统来说是不可行的，因为卡顿会造成用户体验不好的情况。

其实不需要多次遍历相同的像素点。运用积分图的思想，如果要计算任意一个矩形区域，上述公式等号右边的所有值在积分图像中都是易于获取的，之后只需要用正确的值替代它们就可以比较轻松地提取相关特征了，从而大幅度减少了计算量。

3．Haar 级联

Haar 级联是一个基于 Haar 特征的级联分类器，级联分类器能够把弱分类器串联成强分类器。弱分类器可以理解为性能受限的分类器，它们没有办法正确地区分所有事物。当问题很简单时，弱分类器产生的结果是可以接受的，但是问题一旦复杂起来，结果就会出现很大的偏差。强分类器可以正确地对数据进行分类，建立一个实时系统来保证分类器运行良好并且足够简单。

在强相连与弱相连之间，唯一需要考虑的就是分类器够不够精确的问题。如果试图获得更精确的结果，那么最终系统就会变成计算密集型，但运行速度慢的系统。精确度和速度的取舍在机器学习中十分常见。将一些弱分类器串联成一个统一的强分类器可以解决这个问题。弱分类器本身面对的问题的需求不需要太精确，将它们串联起来形成的强分类器具有高精确度、低速度的特点。

本文节选自《 OpenCV图像处理入门与实践》，作者荣嘉祺，本文已获得人民邮电出版社转载授权。