前面介紹分類器檢測(cè)過程的示例中是以HOG特征為例，那LBP和HAAR特征在xml中是如何表達(dá)和測(cè)試的呢？

2.3 ???LBP與HAAR特征

HAAR特征的計(jì)算和表達(dá)方式與HOG很類似，在OpenCV的haartraining.exe中，feature保存在每個(gè)weakclassifier中，而之后的traincascade.exe中則是以LBP、HOG、HAAR三種統(tǒng)一的方式——在stages后面用features節(jié)點(diǎn)來(lái)統(tǒng)一存儲(chǔ)——來(lái)保存features的pool。

? ? ?2.3.1????HAAR特征

在haar特征的訓(xùn)練中（無(wú)論是老版本的haartraining還是現(xiàn)在的traincascade），都是有BASIC/CORE/ALL三種特征組合待選的，默認(rèn)情況為BASIC。三種情況下對(duì)應(yīng)的特征選取分別如下：

BASIC：

? ? ??（對(duì)于最后一種point型特征，在ALL類型中有看到，BASIC中沒有看到，但不知是否被選入這種特征）

CORE中的增加項(xiàng)：

ALL中的增加項(xiàng)：

?

最后，HAAR特征的表達(dá)形式是以不止一個(gè)rect來(lái)表示的。比如

表達(dá)的是下圖中的特征，tilted表達(dá)是否傾斜。

其中第一個(gè)矩形是外部最大的矩形，第二個(gè)為中間的紅色矩形。

其他特征都是以類似的形式表達(dá)，矩形后的-1和3是該矩形的weight，也就是3*rect2-rect1；它的統(tǒng)一形式是sumof( rect[i]*weight[i] )。當(dāng)然這里的rect同樣是在維護(hù)一系列指向積分圖中的指針。

? ? 2.3.2 ? ?LBP特征

LBP特征的計(jì)算與HAAR、HOG有很大不同，在判斷某個(gè)矩形的LBP特征應(yīng)當(dāng)屬于左葉子還是右葉子的時(shí)候，HAAR和HOG只是用當(dāng)前節(jié)點(diǎn)的threshold來(lái)判定就可以了；而LBP的節(jié)點(diǎn)結(jié)構(gòu)是圖6所示：

圖6. LBP節(jié)點(diǎn)示意圖

節(jié)點(diǎn)中同樣是有0和-1來(lái)做左右節(jié)點(diǎn)代碼，33是feature ID，也就是所在的矩形，而后面緊跟的8個(gè)數(shù)將會(huì)被保存在vector<int> subset結(jié)構(gòu)中，每個(gè)節(jié)點(diǎn)有8個(gè)這樣的數(shù)，因而最終subset的size = nodes.size()* 8。

就以上面的這個(gè)節(jié)點(diǎn)來(lái)描述下判定規(guī)則：

首先33對(duì)應(yīng)的是下面的矩形

這個(gè)矩形將對(duì)應(yīng)到積分圖中的16個(gè)int型指針，他們的對(duì)應(yīng)關(guān)系如圖7所示，ID號(hào)33中給出的矩形位置就是圖中的A矩形。根據(jù)圖中的關(guān)系可以得到9個(gè)矩形中的16個(gè)指針，每個(gè)指針存儲(chǔ)的是積分圖中該點(diǎn)右上方矩形內(nèi)的灰度和。這樣利用積分圖能夠快速計(jì)算出A~I共9個(gè)矩形內(nèi)的灰度和，然后除E之外的其他矩形與E矩形內(nèi)的結(jié)果作對(duì)比，大小將被標(biāo)記為0或1，這樣8個(gè)矩形將得到一個(gè)8位數(shù)c。

圖7. Rect與LBP特征計(jì)算位置的關(guān)系示意圖

接下來(lái)就是關(guān)鍵的如何根據(jù)c判斷當(dāng)前矩形應(yīng)當(dāng)走向左節(jié)點(diǎn)還是右節(jié)點(diǎn)了。

sum?+=?cascadeLeaves[subset[c>>5]& (1 << (c?& 31)) ??leafOfs?:?leafOfs+1];

c中的8個(gè)位由高到低分別來(lái)自于矩形A-B-C-F-I-H-G-D，因而c>>5得到的是上面ABC三個(gè)位所代表的0~7范圍的一個(gè)數(shù)，根據(jù)此數(shù)將得到subset（也就是每個(gè)節(jié)點(diǎn)中都會(huì)存儲(chǔ)的8個(gè)數(shù)）中的一個(gè)值，這里命名為X。1<<(c & 31)得到的是2^n，n是F-I-H-G-D共5個(gè)矩形的位，這里將2^n這個(gè)值命名為Y，可見Y的范圍是1~2^31，（它想表達(dá)的就是在這5個(gè)矩形中的對(duì)比情況，因?yàn)樗麄兪且灰粚?duì)應(yīng)的）。最后X和Y做“按位與”運(yùn)算如果是0就進(jìn)入右節(jié)點(diǎn)，否則進(jìn)入左節(jié)點(diǎn)。

這里的判定規(guī)則應(yīng)該是有更好的詮釋的，暫時(shí)還沒有找到相關(guān)資料，以上僅僅是在代碼中解析的一些內(nèi)容。

相比其他兩種，LBP的判定規(guī)則似乎有點(diǎn)復(fù)雜了。

總結(jié)

以上是生活随笔為你收集整理的分类器是如何做检测的？（2）——【续】检测中的LBP和HAAR特征计算过程的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。