【计算机视觉】 haar features
标签（空格分隔）： 【图像处理】
说明：本系列文档是依据Simon J.D. Prince的2012年的著作《Computer vision: models, learning and inference》提供的slice撰写而成，主要讲重点大纲简明扼要的列出来，帮助知识的归纳理解。中间可能插入别的临时需要先掌握的内容，以标号001开始。
主要分为以下四个部分讲述：
##1. Haar features
在早期的计算机视觉依靠的是computationally expensive features: raw pixels, edges, etc。
没有足够的image representations(features)来处理复杂的objects：用当时的像素、边缘等特征去建模很困难。 Haar features，也叫做haar-like features，是一个简单、不昂贵的图像特征，它基于矩形区域的亮度差异，对于haar小波来讲，共享相似的形状。
它的特点很明显：
- 高度的类间变化；
- 低的类内变化；
- 局部方向性亮度变化；
- 不同的尺度；
- 计算有效率
启发于haar 小波，可以看作是水平方向、竖直方向和对角线上的梯度； 进行normalization的话，一方面是标准化，方差转变为1，然后是除以矩形面积，使之与尺度无关，从而具备了尺度不变性。类似我的研究，如果再对其进行绝对值化，就能增加一些反对称性的功能。
在基本的haar set中，还可以拓展到其他类型的特征上去，具体可以参看ppt中内容。但是。最基础的haar-like特征共有5个，正如我设计中所用到的那样。
##2. 存在的问题
computational cost，如果访问一个个像素，去计算，简直太没有效率了；
##3. 积分图快速解决特征计算
积分图就是在原始图像和每个矩形区域间起到桥梁作用的方法，直接积分图来做非常有效。至于从计算角度上需要多少次的内存访问，多少次的求和计算等，可以参看ppt。
积分图的运算可以在那五类基本的haar-like 特征矩形上进行快速计算。其他的可以看第四section部分。
##4. 进一步拓展与一些技巧(tricks) 如何使用积分图计算其余类似斜着的矩形的haar like特征呢，需要一些tricks，但不再细说，参看ppt。 其中一个比较好的拓展，我认为是积分直方图、积分volume，有兴趣可以查阅相关资料。
##5. 应用
人脸检测、眼睛检测、测量检测、行人检测。
##总结：
- haar like特征提供了简单有效的image representation来进行检测、识别、分类等；
- 需要normalization来增强鲁棒性；
- 积分图通常可以快速计算haar 特征；
- 有许多拓展特征可用来提高分类性能。
张朋艺
