坐标点Matlab代码对随机酉矩阵和正交矩阵的特征值进行采样 该存储库包含手稿 [1] 的软件，该软件描述了一种从 U(n)、O(n)、SU(n) 和 SO(n) 组中采样 Haar 分布酉矩阵和正交矩阵的特征值的方法）。 该软件适用于 MATLAB，并包含复制论文中实验的脚本。 使用软件 该软件依赖于 EISCOR [2] 中的单一 QR 求解器，这是一个用于核心追踪特征值算法的 Fortran 90 库。 包含一个名为compile_eiscor.m的脚本，可自动下载和编译 EISCOR 和 MEX 接口。 首先，您需要下载此存储库中的代码并运行命令compile_eiscor ； 输出应类似于以下内容。 >> compile_eiscor If necessary, I will download and install eiscor. You need to have the following packages installed: git, gfortran, make. Should I proceed? [yn]: y Building with 'gfortran'.

该程序给出了 Haar 2D 变换的输出。 打开 main.m 文件并运行该程序，您将看到 Haar 的 GUI 选择浏览图像并选择任何尺寸的图像。 单击 Press for haar，您可以使用给定的金字塔变换图像。 通过单击“按 LL 分量”，您只能看到 Haar 变换的 LL 分量。

心理学上的研究表明，面部表情变化主要集中在眼睛、眉毛、鼻子、嘴巴等面部器官上。受其启发，提出一种基于面部结构的表情识别方法，重点分析眼睛、眉毛、鼻子、嘴巴等关键区域的联动变化来分析表情。首先，使用鲁棒的判别响应图拟合（discriminative response map fitting，DRMF）方法自动检测出对识别人脸表情最为关键的局部人脸区域，即眼睛、眉毛、鼻子和嘴巴的部分；然后从这些关键部分中提取Haar特征；最后采用Boosting学习和联动机制，学习得到基于联合Haar特征的表情分类器。在CMU表情数据库和JAFFE表情数据库上的实验结果表明了上述方法的良好性能，即基于面部构件识别表情的方法获得了与手工精准标注人脸面部构件识别表情方法相近的识别效果。

为解决传统的使用视频彩色图像序列的智能监控容易受光照、颜色等因素影响的问题,提出结合Kinect深度图像和支持向量机的人体动作识别方法.利用Kinect在监控区域获得实时深度图像,并进行背景擦除,滤波处理和提取Haar特征.通过使用支持向量机的分类算法生成分类器,并对一组特定的静态动作识别结果进行分析.研究结果表明:使用深度图像对于静态动作有较好的识别率,并且与传统的基于彩色图像的智能监控相比,该方法不仅对于光照、颜色等因素不敏感,而且在识别的准确率和效率上均有提升.

计算haar特作的例子，从OpenCV中扒出来的代码，直接输出一个个特征值。

本zip文件为已训练好的opencv-haar特征分类器，可以直接使用，方便人脸识别的学习。修改了所需积分

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

利用opencv训练自己的分类器，可以训练人脸的，行人的等

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。

为矩阵向量创建 Haar 小波变换矩阵 H Haar小波变换的乘法实现。 此函数使用以下漂亮的公式来创建 Haar 变换矩阵： H_n=1/sqrt(2)[H_(n/2) 克朗 (1 1) I_(n/2) 克朗 (1 -1)], 其中“kron”表示克罗内克积。 迭代从 H_1=[1] 开始。 归一化常数 1/sqrt(2) 确保 H_n^T*H_n=I，其中 I 是单位矩阵。 Haar 小波是H_n 行。