HAAR级联分类器原理是什么如何训练特征模型
HAAR级联分类器信息介绍
HAAR级联分类器是一种基于机器学习的目标检测算法,2001年由Viola和Jones两位研究者提出，名字里的“HAAR”其实来源于 Haar wavelet（哈尔小波），因为它用的特征和小波分析有关联。这种算法最牛的地方在于能快速从图像里定位目标，比如人脸、行人、车牌这些我们想找的东西，它不是一下子把整个图像看个遍，而是用“级联”的方式一层层筛选，先把肯定不是目标的区域扔掉，再对剩下的区域仔细检查，所以速度特别快，在早期没有深度学习的时候，简直是目标检测领域的“扛把子”，我最早接触它是大学做课程设计，当时老师说“想做人脸检测？HAAR级联安排上”，那时候才知道原来手机相机里的人脸框背后藏着这么个厉害角色。
现在虽然深度学习模型越来越火,但HAAR级联分类器因为简单、速度快、对硬件要求低，依然在很多场景里发光发热，比如一些老旧的监控设备，或者手机上需要实时响应的小程序，用它就很合适，而且它的原理不复杂，理解起来门槛低，特别适合刚入门计算机视觉的同学学习，算是经典中的经典了。
HAAR特征核心原理
HAAR特征说白了就是图像里一些简单的矩形区域,通过计算这些区域的像素和差异来描述图像特征，你可以把它想象成给图像盖不同形状的“小印章”，每个印章就是一种HAAR特征，比如边缘特征（像两个相邻的黑白色块）、线段特征（竖条或横条）、斑点特征（中间亮四周暗或者反过来）。这些特征组合起来，就能勾勒出目标的大致轮廓。
光有特征还不够,关键是“级联分类器”这个设计，它就像工厂里的流水线，前面站着“粗筛员”，后面站着“精筛员”，最开始的分类器很简单，用几个特征就能把明显不是目标的区域（比如全是背景的地方）排除掉；中间的分类器稍微严格点，再筛掉一批；最后几个分类器特别“挑剔”，只有真正的目标才能通过所有关卡，这样一层层下来，既能保证检测准度，又大大减少了计算量，所以才能做到实时检测，我之前用它检测人脸时，发现它对正面人脸特别敏感，稍微侧脸一点就容易漏掉，后来才知道是因为训练时用的正面样本多，特征主要针对正面脸设计的。
HAAR模型训练步骤
训练一个HAAR级联模型,第一步得准备“食材”——样本。正样本是包含目标的图片，比如你要训练人脸检测模型，就收集几百上千张人脸图片，而且要统一大小，比如24x24像素；负样本是不包含目标的图片，可以是风景、建筑、动物这些，数量要比正样本多，最好是正样本的3-5倍，我第一次收集样本时偷懒，正样本只找了100张，结果训练出来的模型根本不认人脸，后来乖乖找了500张才好点。
样本准备好后,就用工具提取HAAR特征，每张图片能提取出超多特征，比如24x24的图片能有上万个特征，这么多特征没法直接用，得用Adaboost算法“挑”出最有用的，Adaboost会从所有特征里选那些区分能力强的（比如能准确分开人脸和非人脸的特征），训练成“弱分类器”，然后把这些弱分类器串起来，组成级联分类器，前面的弱分类器简单但快，后面的越来越复杂，训练时还要不断调整参数，比如每一级分类器的阈值、特征数量，直到模型在测试集上表现稳定，我当时用OpenCV的opencv_traincascade工具训练，跑了一晚上才出结果，虽然慢，但看到模型能准确框出人脸时，感觉值了。
HAAR级联应用场景
HAAR级联分类器的应用场景可不少,最经典的就是实时人脸检测，手机相机的“笑脸抓拍”、视频会议的人像框、门禁系统的人脸解锁，很多都用过它，我朋友公司做的廉价门禁设备，就是用HAAR级联做人脸检测，成本低还好用，老板开心得不行。
除了人脸,它还能用于监控行人追踪，马路上的监控摄像头需要实时数人数、追踪行人移动，HAAR级联因为速度快，能满足实时性要求，虽然 accuracy 不如深度学习模型，但胜在硬件要求低，老旧摄像头也能跑，还有车牌识别系统，先用车牌的HAAR模型定位车牌位置，再交给OCR识别字符，整个流程又快又稳，甚至在一些工业场景，比如检测产品表面的缺陷，只要缺陷形状比较固定，也能用HAAR级联来定位。
HAAR使用注意事项
用HAAR级联分类器时,有几个坑得注意，首先是样本质量影响检测效果，正样本如果拍得模糊、角度奇怪，或者负样本里混进了目标，模型训练出来就会“瞎认”，我之前试过用网上下载的模糊人脸图当正样本，结果模型把我家猫的脸都当成人脸框起来了，尴尬得不行。
它对光照变化很敏感，如果图片太亮或太暗，HAAR特征的像素差异会变弱，检测 accuracy 就下降，有次我在逆光环境下测试人脸检测，模型几乎失灵，后来在代码里加了个亮度均衡的预处理，才好一点。模型轻量化处理也很重要，特征数量太多会让模型变慢，尤其是在手机这类设备上，得适当减少特征数量，平衡速度和 accuracy，别指望它检测太复杂的目标，比如姿态多变的动物、不规则的物体，它更擅长“规矩”的目标。
HAAR与同类工具对比
和HAAR级联分类器比的工具,常见的有HOG特征和CNN（卷积神经网络），先看HOG特征，它是通过计算图像局部区域的梯度方向直方图来描述特征，比HAAR特征更丰富，能捕捉目标的形状细节，所以在行人检测上表现不错，但HOG特征计算量大，速度比HAAR慢，不适合对实时性要求高的场景，我之前用HOG做人脸检测，在电脑上跑一张图要半秒，HAAR只要0.1秒，差距明显。
再看CNN,现在深度学习的大热门， accuracy 甩HAAR几条街，能检测各种复杂目标，还能处理遮挡、变形，但CNN需要大量标注数据，训练时间长，而且跑起来需要GPU支持，对硬件要求高，HAAR的优势就很明显了：计算速度快适合实时应用，对硬件要求低，手机CPU、老旧设备都能跑，在简单场景下性价比高，比如做个小玩具、低成本设备，HAAR绝对是首选；要是追求高精度、复杂场景，那还是得上CNN。
HAAR特征训练实操案例
上个月我帮朋友做一个简单的“宠物猫检测”小程序，他想让程序能从照片里自动框出猫脸，我一想，HAAR级联正好合适，就动手试了试，第一步是收集样本，正样本我从网上找了300张不同品种的猫脸图片，统一裁剪成32x32像素；负样本找了500张风景、家具、狗的图片，确保里面没有猫，然后用OpenCV的opencv_createsamples工具生成vec文件，这里得注意正样本的路径不能错，不然生成的vec文件是空的，我第一次就踩了这个坑，白忙活半小时。
接着用opencv_traincascade训练,设置特征类型为HAAR，等级数15级，每级弱分类器数量20个，训练过程有点慢，我用的笔记本跑了5个小时才结束，生成了一个cascade.xml模型文件，然后写Python代码调用模型测试，一开始用朋友家猫的照片，结果模型把猫耳朵当成猫脸框了，漏了真正的脸，我分析是正样本里耳朵特写太多，负样本里没有类似耳朵的图片，于是又补了100张包含耳朵的负样本，重新训练，这次效果好多了，虽然偶尔还是会把圆形的闹钟认错，但大部分猫脸都能准确框出来，朋友直夸“牛啊，比我自己找还快”，这个过程让我明白，样本质量和数量真的太重要了，想偷懒是不行的。
常见问题解答
HAAR级联分类器是啥呀用来做什么的？
HAAR级联分类器就是一种能从图片或视频里快速找到特定目标的算法，比如找人脸、行人这些，它就像个超级侦探，用很多小方块特征当线索，一层层筛选，把不是目标的区域快速排除，留下可能是目标的地方再仔细看，手机相机里的人脸解锁、监控里的行人追踪，很多都是用它做的，又快又方便，对电脑配置要求还不高，学生党也能轻松上手玩起来～
HAAR特征和HOG特征有啥不一样啊？
HAAR特征和HOG特征都是描述图像的工具，但看东西的方式不一样，HAAR特征像用不同形状的小印章盖在图片上，算每个印章区域的像素和差异，比如找边缘、斑点这些简单特征，算得快；HOG特征是看图片里每个小区域的梯度方向，把这些方向信息统计起来，能描述更复杂的形状，不过算起来慢一点，打个比方，HAAR是速写，几笔勾勒轮廓；HOG是工笔画，细节更丰富，各有各的好～
怎么用OpenCV训练自己的HAAR模型啊？
用OpenCV训练HAAR模型分四步走，超简单！第一步，找正样本（你要检测的目标图片，比如猫脸）和负样本（不是目标的图片，比如风景），正样本要统一大小，负样本越多越好，第二步，用opencv_createsamples工具把样本做成vec文件，就像把食材打包好，第三步，用opencv_traincascade工具训练，设置好特征类型、训练轮数这些参数，等着它跑完就行，第四步，得到.xml模型文件，就能用代码调用检测目标啦，是不是很 easy？我第一次练的时候花了一天，现在熟了两小时搞定～
HAAR级联分类器适合检测什么样的目标呀？
HAAR级联分类器适合检测那些特征明显、形状变化不大的目标，比如人脸、眼睛、车牌、书的封面这些，因为它是用简单的矩形特征拼起来的，太复杂或者老变形状的目标，比如跳舞的人、姿势多变的小狗，它可能就懵了，不过在固定场景里，比如监控拍门口的人脸，它跑得又快又准，性价比超高，很多小设备都爱用它，毕竟又便宜又好用～
HAAR模型能在手机上用吗会不会很卡？
HAAR模型在手机上用完全没问题，甚至比很多算法都流畅！因为它计算量小，不需要手机有多么强的芯片，普通的CPU就能轻松带起来，你看手机相机打开时，人脸框是不是秒出现？很多就是用的HAAR级联，不过要是模型里特征太多、太复杂，可能会有点卡，所以训练的时候记得“减肥”，少用点特征，保证速度的同时不影响检测效果，这样手机用起来就丝滑得很～
欢迎 你 发表评论: