对OpenCV中Haar特征CvHaarClassifierCascade等结构理解

首先说一下这个级联分类器，OpenCV中级联分类器是根据VJ 04年的那篇论文（Robust Real-Time Face Detection）编写的，查看那篇论文，知道构建分类器的步骤如下：

1、根据haar-like特征训练多个弱分类器

2、使用adaboost算法将多个弱分类器组合成一个强分类器

3、最终的分类器是由多个强分类器级联而成

下面这幅图是弱分类器组合成强分类器的示意图（图片来源于网络）：

下面这张是多个强分类器级联的示意图（图片来源于网络）：

在了解了级联分类器是怎么一回事后，我们来看一看OpenCV里面级联分类器的结构

在调用OpenCV中的级联分类器对目标进行分类时，都会将一个训练好的分类器（一个训练好的.xml文件）读入到一个CvHaarClassifierCascade结构中，如下：

CvHaarClassifierCascade* cascade = (CvHaarClassifierCascade*)cvLoad( "haarcascade_frontalface_alt.xml", , , );

那么这个CvHaarClassifierCascade结构体里面的内容都有哪些呢？

 typedef struct CvHaarClassifierCascade
 {
     int  flags;                 /* 标志位 */
     int  count;                 /* 分级分类器中强分类器的数量 */
     CvSize orig_window_size;     /* 训练中原始目标的大小 */　

     /* these two parameters are set by cvSetImagesForHaarClassifierCascade */
     CvSize real_window_size;     /* 待检测物体的大小 */
     double scale;                /* Haar块缩放的尺寸 */

     CvHaarStageClassifier* stage_classifier; /* 定义强分类器数组 */
     CvHidHaarClassifierCascade* hid_cascade;
 }CvHaarClassifierCascade;

第一个flags，还不是很清楚，在debug模式下，flags=1112539136（好吧，这个值很诡异），我也不是很清楚

第二个count，表示整个分级分类器中强分类器的数量，即最后参与级联的强分类器的个数

第三个orig_window_size，表示的是在训练时用的正样本的尺寸，OpenCV中的尺寸是20x20

第四个和第五个，注释中说了，这两个参数需要自己设置，具体每个参数看注释

第六个stage_classifier，是强分类器指针，指向一个强分类器数组，之前的count是多少，那么此处的强分类器就有多少

最后一个hid_cascade，还不是很清楚

下面来看上面第六个参数的强分类器结构体

 typedef struct CvHaarStageClassifier
 {
     int  count;  /* number of classifiers in the battery 构成强分类器的弱分类器的数量*/
     float threshold; /* threshold for the boosted classifier 叠加分类器的阈值*/
     CvHaarClassifier* classifier; /* array of classifiers 定义分类器数组*/
     /* these fields are used for organizing trees of stage classifiers,
        rather than just stright cascades */
     int next;
     int child;
     int parent;
 }CvHaarStageClassifier;

第一个count，表示该强分类器中，弱分类器的数量，即该强分类器由多少个弱分类器组成

第二个threshold，叠加分类器的阈值（好吧。。这个我也不知道）

第三个classifier，是一个指针，指向的是一个弱分类器数组，之前的count是多少，此处的弱分类器就有多少

后面3个都不清楚。。。（望知道的网友给予帮助）

下面是弱分类器的结构

 typedef struct CvHaarClassifier
 {
     int count;      /* number of nodes in the decision tree */
     /* these are "parallel" arrays. Every index i corresponds to a node of the decision tree (root has 0-th index).
     left[i] - index of the left child (or negated index if the left child is a leaf)
     right[i] - index of the right child (or negated index if the right child is a leaf)
     threshold[i] - branch threshold. if feature responce is <= threshold, left branch is chosen, otherwise right branch is chosed.
     alpha[i] - output value correponding to the leaf. */

     CvHaarFeature* haar_feature;
     float* threshold;
     int* left;
     int* right;
     float* alpha;
 }CvHaarClassifier;

第一个count，在opencv里，发现始终都是1，自己想了想，因为这个结构体记录的是一个弱分类器，自然弱分类器的个数就是1了。

第二个haar_feature，也是一个指针，指向一个（因为count是1）特征结构体CvHaarFeature，这个结构体中记录的内容是弱分类器的类型（包括该haar-like特征的位置，大小，以及种类，这个结构体会在下面给出，再细说）

第三个threshold，就是那个判别函数：h(x,f,p,theta) = (p*f(x) < p*theta ? 1 : 0),中的阈值theta

　　　

第四个left，第五个right不是很清楚（求知道的同学详解啊~~~~）

第六个alpha，就是这个弱分类器的权重（每一个强分类器都是由多个弱分类器按照各自的权重进行表决，而得到的）

特征的结构体如下

 #define CV_HAAR_FEATURE_MAX  3
 // 一个Haar特征由2~3个具有相应权重的矩形组成
 typedef struct CvHaarFeature
 {
     int  tilted;      // 0 means up-right feature, 1 means 45-rotated feature
     struct
     {
         CvRect r;
         float weight;
     } rect[CV_HAAR_FEATURE_MAX];
     // 2-3 rectangles with weights of opposite signs and with absolute values inversely proportional to the areas of the rectangles. if rect[2].weight != 0, then the feature 　　　　consists of 3 rectangles, otherwise it consists of 2.
 }CvHaarFeature;

第一个参数titled，0表示该特征是标准的haar-like特征，1表示旋转45°后的特征

　　标准的haar-like特征如下：

　　　　　　

　　而旋转45°后的特征如下：

　　　　　　

第二个参数是个结构体数组，每个结构体中包括一个矩形和一个权重，这个数组的大小是CV_HAAR_FEATURE_MAX（3）（注释中说：此处可能有2~3个矩形，这里的矩形等看了下面的解释就知道了），这个矩形和权重有什么用呢？

　　在debug模式下，查看第一个弱分类器数组内的元素

　　第一个元素：

 rect[].r.x =
 rect[].r.y =
 rect[].r.width =
 rect[].r.height =
 rect[].weight = -

　　第二个元素：

 rect[].r.x =
 rect[].r.y =
 rect[].r.width =
 rect[].r.height =
 rect[].weight = 

　　第三个元素则全都是0

　　这么看这些坐标，并不是很清楚，我们可以画个图：

　　

　　由图可见，第一个矩形表示的是A+B区域，第二个矩形表示的是B区域。

　　此时再看一看每个元素的权重weight，结合积分图的概念，发现第一个矩形的积分图乘以其权重加上第二个积分图乘以其权重，恰好得到下述结果：

　　（A+B）*（-1）+B*2=B-A

　　看到这个公式，大家都不会陌生，这正式VJ论文中给出的众多haar-like模板中的其中一个模板的计算方法（此处不知如何表达，大家将就，看懂就行）　

我们继续考察第二个弱分类器的特征部分，其特征参数如下：

 rect[].r.x = , rect[].r.y =
 rect[].r.width = , rect[].r.height =
 rect[].weight = -

 rect[].r.x = , rect[].r.y =
 rect[].r.width = , rect[].r.height =
 rect[].weight = 

数组的第三个元素依然都是是0，对其绘图：

　　

　　第一块矩形区域是A+B+C，第二块矩形区域是B，积分图乘以权重，再相加，可得：

　　（A+B+C）*（-1）+B*3 = 2*B-A-C

　　也是haar-like特征模板之一（此处不知如何表达，大家将就，看懂就行）

刚刚找了好久，找到一个第三个元素权重不为0的，该数组三个元素如下：

 rect[].r.x = , rect[].r.y =
 rect[].r.width = , rect[].r.height = ;
 rect[].weight = -

 rect[].r.x = , rect[].r.y =
 rect[].r.width = , rect[].r.height = ;
 rect[].weight = 

 rect[].r.x = , rect[].r.y =
 rect[].r.width = , rect[].r.height = ;
 rect[].weight = 

绘图可得：

　　

　　将每个矩形乘以相应的权重，相加可得：

　　（A+B+C+D）*（-1）+2*B + 2*C = B+C-(A+D)

　　也是模板之一

　　（佩服设计这个结构体的程序员）

到此，四个结构体都说完了，如有不对，请大家指正