haarcascade_frontalface_alt2.xml、haarcascade_eye.xml、haarcascade_fullbody.xml、haarcascade_smile.xml等各种opencv分类器。

包括：haarcascade_eye.xml、haarcascade_eye_tree_eyeglasses.xml、haarcascade_frontalcatface.xml、haarcascade_fullbody.xml、haarcascade_lefteye_2splits.xml、haarcascade_lowerbody.xml、haarcascade_profileface.xml、haarcascade_smile.xml、haarcascade_upperbody.xml等

Haar小波变换的基本思想：找到另一个基函数，通过压缩平移也生成差空间，这个基函数和原来的尺度函数能够建立直接的联系。优点是时域紧支撑的，正交对称的，而且计算简单。但是在时域上是不连续的，所以作为基本小波性能不是特别好。从时频图可以看出频率分辨率比较差。

该脚本使用内置的前脸检测器来查找脸部，然后查找脸部的眼睛。本例程先用haar算子进行人脸识别，然后利用haar算子找到人脸中的眼睛，实现人眼追踪。

Haar小波变换 这是一维和二维 Haar 小波变换的简单实现。 对于每个转换，输入是一维或二维双精度数组，输出是一维或二维双精度数组。 用法 一维Haar小波变换 让我们以下面的例子为例。 我们有一个一维数组。 double [] data = { 9 , 7 , 3 , 5 }; 我们实例化一个类来转换矩阵： HaarWavelet1D oneD = new HaarWavelet1D (data); oneD . standardDecomposition(); 结果是： Processing One Dimensional Haar Wavelet Transformation Input : 9.0, 7.0, 3.0, 5.0 Output : 6.0, 2.0, 1.0, -1.0 二维哈尔小波变换 让我们看下面的例子：我们有一个二维数组。 double

毕业设计基于Haar特征与AdaBoost算法的人脸检测系统源码+使用说明.zip已获导师指导并通过的高分项目。 毕业设计基于Haar特征与AdaBoost算法的人脸检测系统源码+使用说明.zip已获导师指导并通过的高分项目。 毕业设计基于Haar特征与AdaBoost算法的人脸检测系统源码+使用说明.zip已获导师指导并通过的高分项目。 毕业设计基于Haar特征与AdaBo ======================================== 训练样本： MIT人脸数据库 样本尺寸：20*20px 样本个数：5971个样本，其中人脸样本为2429个 faces文件夹 包含人脸样本 nonfaces文件夹 包含非人脸样本 ======================================== 测试样本： 加州理工大学 人脸数据库 样本尺寸：896*592px 包含450个样本 faces_test文件夹 （程序剔除了部分非人脸样本，实际检测样本数约为440个） ========================================

Haar分类器结合keras-facenet算法实现人脸检测分割及人脸识别考勤系统完整源码+项目说明.zip 【模式识别-人脸识别考勤系统】 利用Haar分类器完成人脸检测、分割；利用FaceNet网络完成人脸识别。 【依赖库】 opencv-python numpy keras-facenet（见 https://pypi.org/project/keras-facenet/ ） Keras TensorFlow 其中，keras-facenet需要下载预训练模型置于~/.keras-facenet目录下，如果你获得的版本在model/目录下没有带该模型，请自行到该库的GitHub仓库页下载，或在第一次调用该库时也会自动下载。 【使用face_manager.py可以进行人脸的录入，注意录入姓名时，之间不要用空格分隔】 【使用main.py可以进行人脸考勤主操作】 准确率达到93.2% 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。

基于Haar特征与AdaBoost算法的人脸检测的实现

matlab小波基函数代码哈尔变换 在数学中，Haar 小波是一系列重新缩放的“方形”函数，它们一起形成小波族或基。 小波分析类似于傅立叶分析，因为它允许根据正交基来表示区间上的目标函数。 Haar 序列现在被认为是第一个已知的小波基，并被广泛用作教学示例。 参考： 运行代码的步骤： 打开 MATLAB 并选择 haar.m 的存储路径。 将两个参数 'image_name' 和 'threshold' 传递给函数 haar.m 单击运行，将显示新图像并将其写入当前文件夹。 ** 对于大小为 1.42MB 的图像，所用时间为：3232.991766 秒。 压缩大小：192KB

基于Haar-Like 特征的人脸检测算法研究.zip