haar特征代码matlab 中提琴琼斯人脸检测器 Viola Jones 人脸检测算法的实现 实现的 Viola Jones Detector：采用了 5 个 Haar 类型的特征：其中 haar==1 :5。 这是在calculatehaar.m 文件中定义的。 integerImg.m 函数计算随着 harr 特征的尺寸变化所取点的积分值。 haar 维度根据命令行 haarX = dimX:dimX:window-pixelX 和 haarY = dimY:dimY:window-pixelY 在窗口大小 pixelX = 2:window-dimX 和 pixelY = 2:window-dimY 中更改。 图像权重通过除以 1/(facesize+nonfacesize) 进行归一化，其中人脸大小是人脸图像的数量，非人脸是非人脸图像的数量。 图像权重在 adaboost 函数中根据误报和漏报进行更新。 Adaboost 根据它生成的 harrVal 为所有正确的捕获分配一个捕获值 1。 分类器权重也会根据错误进行更新，新的图像权重会传递给主脚本。 获得的弱分类器为 221

研究的是基于Android平台人脸识别算法的应用，针对人脸识别方法进行研究，以提高识别的准确率和速度为目的，选用Haar特征提取的方法作为人脸检测的主要方法，选用Adaboost算法作为人脸识别的主要算法。在研究过程中出现的难点有人脸的检测受到外界影响，人脸的检测误差率较大，采用增加分类器将多个弱分类器级联为强分类器以优化算法，本设计已经测试在Android手机上测试成功，同一人不同脸的近似度在90%左右。

它是基于末班匹配的人脸检测，一般可以检测出正面人脸，但算法上可能还不是很正确

该项目要求基于FPGA完成车牌定位算法。本项目拟充分发掘FPGA并行运算在图像处理领域的优势，实现基于Adboost算法的车牌检测硬件架构，最终完成车牌定位信息的实时输出。

通过Adaboost算法和Haar特征来构建人脸分类器，对多人脸图片进行检测，流程是用分类效果较弱的Haar特征构造弱分类器，再通过Adaboost算法对大量人脸样本和非人脸样本进行训练，将大量弱分类器中训练得到若干强分类器，将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，级联结构能有效地提高分类器的检测速度，最终得到一个人脸分类器的模型。再输入一张多人脸图片，用分类器对不同尺寸的多人脸图片进行多尺度检测，相当于一种滑动窗口机制，在图片上提取Haar特征，由于在一个图像窗口中会提取出大量的矩形特征区域，每次遍历矩形区域会造成大量重复计算，浪费时间，所以使用积分图方法来简化计算，经过多尺度检测后，会在同一尺度下留下多个候选框，还要对多个候选框进行合并去重。

压缩文件包含人脸检测的源代码与软件包，可直接在Matlab环境X64电脑运行，无需安装OpenCV。 由于在Matlab环境下采用了高性能的OpenCV的人脸检测代码，在算法的执行效率与检测精度上远高于于Matlab环境下典型的人脸检测代码。 可直接运行face_detection.m获得多尺度多目标人脸检测结果，输出结果为图像中人脸的外接矩形坐标。 若有任何问题请留言，谢谢支持！

今天小编就为大家分享一篇python 计算积分图和haar特征的实例代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

直接可以用的，人脸检测器xml文件

详细介绍了基于统计方法的Haar特征的人脸检测方法，并且利用训练多个弱分类器组合成强分类器

基于Haar分类器与五官检验的人脸检测，使用了Haar特征和积分图的概念和理论，MATLAB程序