Haar-like features are digital imag

Haar-like features are digital image features used in object recognition. They owe their name to their intuitive similarity with Haar wavelets and were used in the first real-time face detector.[1]

Historically, working with only image intensities (i.e., the RGB pixel values at each and every pixel of image) made the task of feature calculation computationally expensive. A publication by Papageorgiou et al.[2] discussed working with an alternate feature set based on Haar wavelets instead of the usual image intensities. Viola and Jones[3] adapted the idea of using Haar wavelets and developed the so-called Haar-like features. A Haar-like feature considers adjacent rectangular regions at a specific location in a detection window, sums up the pixel intensities in each region and calculates the difference between these sums. This difference is then used to categorize subsections of an image. For example, let us say we have an image database with human faces. It is a common observation that among all faces the region of the eyes is darker than the region of the cheeks. Therefore a common haar feature for face detection is a set of two adjacent rectangles that lie above the eye and the cheek region. The position of these rectangles is defined relative to a detection window that acts like a bounding box to the target object (the face in this case).

In the detection phase of the Viola–Jones object detection framework, a window of the target size is moved over the input image, and for each subsection of the image the Haar-like feature is calculated. This difference is then compared to a learned threshold that separates non-objects from objects. Because such a Haar-like feature is only a weak learner or classifier (its detection quality is slightly better than random guessing) a large number of Haar-like features are necessary to describe an object with sufficient accuracy. In the Viola–Jones object detection framework, the Haar-like features are therefore organized in something called a classifier cascade to form a strong learner or classifier.

The key advantage of a Haar-like feature over most other features is its calculation speed. Due to the use of integral images, a Haar-like feature of any size can be calculated in constant time (approximately 60 microprocessor instructions for a 2-rectangle feature)

ผลลัพธ์ (ไทย) 1:

คุณสมบัติที่โดดเหมือนเป็นภาพดิจิตอลคุณสมบัติใช้ในการรู้จำวัตถุ พวกเขาค้างชำระชื่อคล้ายของพวกเขาง่ายกับ wavelets โดด และใช้ในการตรวจจับเรียลไทม์หน้าแรก [1]อดีต ทำงานกับเฉพาะภาพความเข้ม (เช่น RGB พิกเซลค่าที่แต่ละพิกเซลของภาพ) ทำงานของคุณลักษณะการคำนวณ computationally ราคาแพง เผยแพร่โดย Papageorgiou et al. [2] กล่าวถึงการทำงานกับการตั้งค่าคุณลักษณะอื่นที่อิง wavelets โดดแทนความเข้มของภาพปกติ Viola และโจนส์ [3] ปรับความคิดของการใช้โดด wavelets และพัฒนาคุณสมบัติโดดเหมือนเรียกว่า คุณลักษณะโดดเหมือนพิจารณาพื้นที่สี่เหลี่ยมอยู่ติดกับที่ตั้งเฉพาะในหน้าต่างตรวจสอบ ผลรวมค่าความเข้มของพิกเซลในแต่ละภูมิภาค และคำนวณผลต่างระหว่างผลบวกเหล่านี้ ความแตกต่างนี้ถูกใช้เพื่อจัดประเภทย่อยของรูปภาพ ตัวอย่างเช่น เราว่า เรามีฐานข้อมูลที่มีรูปกับใบหน้าคน สังเกตทั่วไปที่ทั้งหมดภูมิภาคของตาใบหน้าจะเข้มกว่าพื้นที่ของบริเวณแก้มได้ ดังนั้น ลักษณะโดดทั่วไปสำหรับการตรวจจับใบหน้าเป็นชุดของรูปสี่เหลี่ยมที่อยู่ติดกันสองที่อยู่เหนือตาและแก้มภูมิภาค มีกำหนดตำแหน่งของรูปสี่เหลี่ยมเหล่านี้สัมพันธ์กับหน้าต่างตรวจสอบที่ทำหน้าที่เหมือนกล่องรูปกล่องไปยังวัตถุเป้าหมาย (หน้าในกรณีนี้)ในระยะการตรวจจับของกรอบการตรวจจับวัตถุ Viola-โจนส์ หน้าต่างขนาดเป้าหมายจะย้ายภาพอินพุต และแต่ละส่วนย่อยของภาพคุณลักษณะโดดเหมือนคำนวณ แล้วมีการเปรียบเทียบความแตกต่างกับเกณฑ์การเรียนรู้ที่แยกเป็นวัตถุจากวัตถุ เนื่องจากคุณลักษณะดังกล่าวเหมือนโดด เฉพาะผู้เรียนอ่อนหรือลักษณนาม (ตรวจสอบคุณภาพเป็นเล็กน้อยดีกว่าการเดาสุ่ม) โดดต่าง ๆ จำนวนมากจำเป็นในการอธิบายวัตถุ มีความแม่นยำเพียงพอ ในกรอบการตรวจจับวัตถุ Viola-โจนส์ โดดลักษณะจึงถูกจัดระเบียบในสิ่งที่เรียกว่าลักษณนามเรียงซ้อนเพื่อรูปแบบผู้เรียนที่เข้มแข็งหรือลักษณนามประโยชน์ที่สำคัญของคุณลักษณะโดดเหมือนผ่านคุณสมบัติอื่น ๆ มากที่สุดคือ ความเร็วการคำนวณ เนื่องจากใช้ภาพหนึ่ง คุณลักษณะโดดเหมือนขนาดใดก็สามารถคำนวณค่าคงที่เวลา (ประมาณ 60 ไมโครโปรเซสเซอร์คำแนะนำสำหรับคุณลักษณะสี่เหลี่ยม 2)

ผลลัพธ์ (ไทย) 2:

คุณสมบัติ Haar เหมือนเป็นคุณสมบัติภาพดิจิตอลที่ใช้ในการรับรู้วัตถุ พวกเขาเป็นหนี้ชื่อของพวกเขาจะมีความคล้ายคลึงกันที่ใช้งานง่ายของพวกเขาด้วยแสง Haar และถูกนำมาใช้ในแบบ real-time แรกตรวจจับใบหน้า. [1] ในอดีตการทำงานกับความเข้มของภาพเท่านั้น (เช่นค่าพิกเซล RGB ที่แต่ละพิกเซลของภาพทุกครั้ง) ที่ทำให้ งานของการคำนวณคุณลักษณะคอมพิวเตอร์ที่มีราคาแพง สิ่งพิมพ์โดย Papageorgiou et al. [2] กล่าวถึงการทำงานร่วมกับชุดคุณลักษณะอื่นขึ้นอยู่กับ Haar แสงแทนของความเข้มของภาพปกติ วิโอลาและโจนส์ [3] ดัดแปลงความคิดของการใช้คลื่น Haar และการพัฒนาที่เรียกว่าคุณสมบัติ Haar เหมือน คุณลักษณะ Haar เหมือนพิจารณาภูมิภาคสี่เหลี่ยมที่อยู่ติดกันในสถานที่เฉพาะในหน้าต่างการตรวจสอบผลรวมถึงความเข้มพิกเซลในแต่ละภูมิภาคและคำนวณความแตกต่างระหว่างจำนวนเงินเหล่านี้ ความแตกต่างนี้จะถูกนำมาใช้เพื่อจัดหมวดหมู่ย่อยของภาพ ตัวอย่างเช่นสมมติเราบอกว่าเรามีฐานข้อมูลภาพที่มีใบหน้าของมนุษย์ มันเป็นที่สังเกตพบว่าในทุกภูมิภาคใบหน้าของดวงตาเป็นสีเข้มกว่าพื้นที่ของแก้ม ดังนั้นคุณลักษณะ Haar ทั่วไปสำหรับการตรวจหาใบหน้าเป็นชุดของรูปสี่เหลี่ยมสองที่อยู่ติดกันที่อยู่เหนือตาและภูมิภาคแก้ม ตำแหน่งของรูปสี่เหลี่ยมเหล่านี้ถูกกำหนดเทียบกับหน้าต่างการตรวจสอบว่าการกระทำเช่นกรอบไปยังวัตถุเป้าหมาย (ใบหน้าในกรณีนี้). ในขั้นตอนการตรวจสอบของกรอบการตรวจจับวัตถุ Viola โจนส์หน้าต่างขนาดเป้าหมายคือ ย้ายไปภาพที่นำเข้าและสำหรับส่วนย่อยของภาพแต่ละคุณลักษณะ Haar เหมือนจะมีการคำนวณ ความแตกต่างนี้แล้วเมื่อเทียบกับเกณฑ์ที่ได้เรียนรู้ว่าแยกวัตถุที่ไม่ใช่วัตถุ เพราะเช่นคุณลักษณะ Haar เหมือนเป็นเพียงการเรียนอ่อนแอหรือลักษณนาม (คุณภาพของการตรวจสอบของมันคือดีกว่าเล็กน้อยคาดเดาสุ่ม) เป็นจำนวนมากของคุณสมบัติ Haar เหมือนเป็นสิ่งที่จำเป็นในการอธิบายถึงวัตถุที่มีความแม่นยำเพียงพอ ในกรอบการตรวจจับวัตถุ Viola โจนส์คุณสมบัติ Haar เหมือนมีการจัดจึงอยู่ในสิ่งที่เรียกว่าน้ำตกลักษณนามในรูปแบบการเรียนรู้ที่แข็งแกร่งหรือจําแนก. ข้อได้เปรียบที่สำคัญของคุณลักษณะ Haar เหมือนมากกว่าคุณสมบัติอื่น ๆ มากที่สุดคือความเร็วในการคำนวณ เนื่องจากการใช้ภาพหนึ่งที่เป็นคุณลักษณะ Haar เหมือนของขนาดใดสามารถคำนวณได้ในเวลาที่คงที่ (ประมาณ 60 คำแนะนำการใช้ไมโครโปรเซสเซอร์สำหรับคุณลักษณะ 2 สี่เหลี่ยมผืนผ้า)

ผลลัพธ์ (ไทย) 3:

เธอชอบลักษณะภาพดิจิตอล คุณสมบัติที่ใช้ในการรู้จำวัตถุ พวกเขาเป็นหนี้ของพวกเขาชื่อของพวกเขาใช้งานง่ายมีความเหมือน และถูกใช้ใน Haar เวฟแรก [ 1 ] เครื่องตรวจจับใบหน้าแบบเรียลไทม์ในอดีต การทำงานกับความเข้มของภาพเท่านั้น ( เช่น ค่า RGB ของพิกเซลแต่ละพิกเซลของภาพ ) ทำให้งานมีการคำนวณ computationally แพง ประกาศโดย papageorgiou et al . [ 2 ] กล่าวถึงการทำงานกับคุณลักษณะชุดสำรองจาก Haar wavelets แทนที่จะเข้มภาพปกติ Viola และ โจนส์ [ 3 ] การปรับความคิดของการใช้และพัฒนาที่เรียกว่า Haar Haar คลื่นเช่นคุณสมบัติ เป็นเธอชอบคุณลักษณะพิจารณาพื้นที่สี่เหลี่ยมที่อยู่ติดกันที่สถานที่ที่เฉพาะเจาะจงในการตรวจสอบหน้าต่างสรุปพิกเซลเข้มในแต่ละพื้นที่และคำนวณความแตกต่างระหว่างผลบวกเหล่านี้ ความแตกต่างนี้จะใช้จัดหมวดหมู่หัวข้อย่อยต่าง ๆของภาพ ตัวอย่างเช่น เราว่าเรามีฐานข้อมูลภาพหน้าคน มันเป็น ทั่วไป สังเกตว่าใบหน้าของทุกภูมิภาคของตาเป็นสีเข้มกว่าบริเวณแก้ม ดังนั้นโดยทั่วไป Haar คุณสมบัติสำหรับการตรวจหาใบหน้าเป็นชุดสองติดกันรูปสี่เหลี่ยมที่โกหกเหนือตาและแก้ม ) ตำแหน่งของรูปสี่เหลี่ยมเหล่านี้ถูกกำหนดสัมพันธ์กับการตรวจสอบหน้าต่างที่ทำหน้าที่เหมือนบริเวณกล่องไปยังวัตถุเป้าหมาย ( หน้าในกรณีนี้ )ในการตรวจหาระยะของวิโอล่า –โจนส์การตรวจจับวัตถุกรอบ หน้าต่างขนาดเป้าหมายย้ายไปรับภาพและสำหรับแต่ละส่วนของภาพโอเคชอบคุณลักษณะจะถูกคำนวณ ความแตกต่างนี้แล้วเทียบกับเกณฑ์ที่แยกได้จากที่ไม่ใช่วัตถุวัตถุ เพราะเป็นเธอชอบคุณลักษณะเป็นเพียงผู้เรียนอ่อนหรือลักษณนาม ( คุณภาพของการเป็นเล็กน้อยดีกว่าการคาดเดาแบบสุ่ม ) จํานวนมากเธอชอบคุณสมบัติที่จำเป็นในการอธิบายวัตถุที่มีความถูกต้องเพียงพอ . ในไวโอลิน - โจนส์การตรวจจับวัตถุ Framework , เธอชอบคุณสมบัติจึงจัดอยู่ในสิ่งที่เรียกว่าน้ำตกแบบฟอร์มที่แข็งแกร่ง หรือเรียนรู้ลักษณนามประโยชน์หลักของเธอชอบคุณลักษณะกว่าคุณสมบัติอื่น ๆ มากที่สุด คือ ความเร็วในการคำนวณของ เนื่องจากการใช้ภาพหนึ่ง ที่เธอชอบคุณลักษณะของขนาดใด ๆที่สามารถคำนวณค่าคงที่เวลา ( ใช้ประมาณ 60 ไมโครโปรเซสเซอร์สำหรับคุณลักษณะ 2-rectangle )